IMPULSANDO EL APRENDIZAJE EN EL AULA: EL
ROL DE LAS APLICACIONES DE APRENDIZAJE
ADAPTATIVO IMPULSADAS POR INTELIGENCIA
ARTIFICIAL EN LA EDUCACIÓN BÁSICA
BOOSTING CLASSROOM LEARNING: THE ROLE OF AI-
POWERED ADAPTIVE LEARNING APPLICATIONS IN BASIC
EDUCATION
Marjorie Geoconda Zamora Arana
Universidad Estatal de Milagro, Ecuador
Augusto Paolo Bernal Párraga
Universidad de las Fuerzas Armadas ESPE, Ecuador
Omar Alexander Ruiz Cires
Instituto Tecnológico Superior Argos, Ecuador
Edith Geovanna Cholango Tenemaza
Instituto Nacional de Evaluación Educativa, Ecuador
Alicia Patricia Santana Mero
Ministerio de Educación, Ecuador
pág. 4301
DOI: https://doi.org/10.37811/cl_rcm.v8i3.11645
Impulsando el Aprendizaje en el Aula: El Rol de las Aplicaciones de
Aprendizaje Adaptativo Impulsadas por Inteligencia Artificial en la Educa-
ción Básica
Marjorie Geoconda Zamora Arana
1
geo_zamo@yahoo.es
https://orcid.org/0009-0006-5958-5754
Universidad Estatal de Milagro, Milagro,
Ecuador
Augusto Paolo Bernal Párraga
abernal2009@gmail.com
https://orcid.org/0000-0003-0289-8427
Universidad de las Fuerzas Armadas ESPE,
Quito, Ecuador
Omar Alexander Ruiz Cires
romar.es@tecnologicoargos.edu.ec
https://orcid.org/0009-0000-4884-9204
Instituto Tecnológico Superior Argos
Ecuador
Edith Geovanna Cholango Tenemaza
geova_0805@hotmail.com
https://orcid.org/0009-0009-2855-6653
Instituto Nacional de Evaluación Educativa
Ecuador
Alicia Patricia Santana Mero
alicia.santana@educacion.gob.ec
https://orcid.org/0009-0006-1463-0638
Ministerio de Educación
Ecuador
RESUMEN
Este artículo analiza el impacto potencial de las aplicaciones de aprendizaje adaptativo impulsadas por
inteligencia artificial (IA) en la educación básica. Con el avance continuo de la tecnología, estas apli-
caciones se han destacado como herramientas prometedoras para mejorar la retención de conocimien-
tos y la participación de los estudiantes en el aula. El estudio examina cómo estas aplicaciones, al
adaptarse de manera personalizada al ritmo y estilo de aprendizaje de cada estudiante, pueden facilitar
una experiencia educativa más eficaz y personalizada. Se presentan ejemplos de implementaciones
exitosas, destacando cómo estas herramientas han mejorado los resultados educativos en diversos con-
textos. Además, se abordan los desafíos y consideraciones éticas asociados con la integración de la IA
en la educación básica, tales como la privacidad de los datos de los estudiantes y la equidad en el acce-
so a la tecnología. Los hallazgos sugieren que las aplicaciones de aprendizaje adaptativo tienen el po-
tencial de transformar significativamente la forma en que se enseña y se aprende en el aula. Este estu-
dio ofrece una visión prometedora del futuro de la educación, subrayando la necesidad de un enfoque
cuidadoso y considerado en la implementación de tecnologías de IA para maximizar sus beneficios y
mitigar posibles riesgos. Concluye que, a pesar de los desafíos, el uso adecuado de la IA en la educa-
ción básica puede contribuir significativamente a una enseñanza más efectiva e inclusiva, mejorando
la experiencia de aprendizaje para todos los estudiantes.
Palabras claves: aprendizaje adaptativo, inteligencia artificial, educación básica, tecnología educativa
1
Autor principal
Correspondencia: geo_zamo@yahoo.es
pág. 4302
Boosting Classroom Learning: The Role of AI-Powered Adaptive Learning
Applications in Basic Education
ABSTRACT
This article analyzes the potential impact of adaptive learning applications powered by artificial intel-
ligence (AI) in basic education. With the continued advancement of technology, these applications
have emerged as promising tools to improve knowledge retention and student engagement in the class-
room. The study examines how these applications, by personalized adaptation to the pace and learning
style of each student, can facilitate a more effective and personalized educational experience. Exam-
ples of successful implementations are presented, highlighting how these tools have improved educa-
tional outcomes in various contexts. Additionally, challenges and ethical considerations associated
with integrating AI into basic education, such as student data privacy and equity in access to technolo-
gy, are addressed. The findings suggest that adaptive learning applications have the potential to signif-
icantly transform the way teaching and learning is done in the classroom. This study offers a promis-
ing vision of the future of education, underscoring the need for a careful and considered approach in
the implementation of AI technologies to maximize their benefits and mitigate potential risks. It con-
cludes that, despite the challenges, the appropriate use of AI in basic education can contribute signifi-
cantly to more effective and inclusive teaching, improving the learning experience for all students.
Keywords: adaptive learning, artificial intelligence, basic education, educational technology
Artículo recibido 10 abril 2024
Aceptado para publicación: 08 mayo 2024
pág. 4303
INTRODUCCIÓN
En el contexto actual de la educación básica, el uso de tecnologías emergentes como la inteligencia
artificial (IA) ha revolucionado la forma en que los estudiantes aprenden y los maestros enseñan. Entre
estas tecnologías, las aplicaciones de aprendizaje adaptativo han ganado un lugar prominente al ofre-
cer experiencias de aprendizaje personalizadas y efectivas. Estas aplicaciones utilizan algoritmos de
IA para recopilar datos sobre el desempeño y las preferencias de los estudiantes, adaptando así el con-
tenido y la metodología de enseñanza de acuerdo con sus necesidades individuales.
El objetivo de este artículo es explorar en profundidad el impacto de las aplicaciones de aprendizaje
adaptativo impulsadas por inteligencia artificial en el ámbito de la educación básica. Nos centraremos
en cómo estas herramientas tecnológicas pueden mejorar la retención de conocimientos y fomentar la
participación estudiantil en el aula. Además, examinaremos los desafíos éticos asociados con la im-
plementación de estas tecnologías y las posibles estrategias para abordarlos.
En los últimos años, el avance de la inteligencia artificial (IA) ha transformado radicalmente numero-
sos aspectos de nuestra sociedad, y el ámbito educativo no ha sido una excepción. En particular, las
aplicaciones de aprendizaje adaptativo impulsadas por IA han emergido como una poderosa herra-
mienta para personalizar la experiencia educativa de los estudiantes en la educación básica. Estas apli-
caciones emplean algoritmos sofisticados que recopilan y analizan datos sobre el desempeño y las
preferencias de los estudiantes, lo que les permite adaptar el contenido y el enfoque pedagógico de
acuerdo con las necesidades individuales de cada estudiante.
El propósito de este artículo es profundizar en el estudio del impacto de las aplicaciones de aprendiza-
je adaptativo basadas en IA en el ámbito de la educación básica. Nos proponemos investigar cómo
estas tecnologías pueden mejorar significativamente la retención de conocimientos y promover una
mayor participación estudiantil en el proceso de aprendizaje. Además, examinaremos críticamente los
desafíos éticos que surgen con la implementación de estas herramientas y exploraremos posibles estra-
tegias para abordarlos de manera efectiva.
Al comprender mejor tanto las oportunidades como los desafíos asociados con las aplicaciones de
aprendizaje adaptativo, los educadores estarán mejor equipados para aprovechar el potencial transfor-
mador de la IA en el ámbito educativo. En última instancia, este conocimiento puede contribuir a la
pág. 4304
creación de entornos de aprendizaje más inclusivos, eficientes y centrados en el estudiante, y superar
los límites de las aplicaciones de aprendizaje adaptativo, mediante los educadores pueden aprovechar
al máximo estas herramientas para promover una educación más eficiente y centrada en el estudiante.
METODOLOGÍA
Se realizará un análisis detallado de los hallazgos de los estudios seleccionados, tanto cualitativos
como cuantitativos. Se examinarán los efectos de las aplicaciones de aprendizaje adaptativo en la
retención de conocimientos, el rendimiento académico, la participación estudiantil y otros aspectos
relevantes del proceso educativo. Se identificarán patrones, tendencias y áreas de discrepancia entre
los estudios revisados.
Búsqueda Documental
Teoría del Aprendizaje Adaptativo
La Teoría del Aprendizaje Adaptativo, respaldada por investigaciones como las de (Bounajim et al.,
2021), proporciona una base sólida para comprender cómo las aplicaciones de aprendizaje adaptativo
pueden mejorar la experiencia educativa de los estudiantes. Esta teoría postula que el aprendizaje es
más efectivo cuando se adapta a las necesidades individuales de cada estudiante, proporcionando con-
tenido y actividades personalizadas que se ajusten a su nivel de habilidad y ritmo de aprendizaje.
Investigaciones como la de (Wang et al., 2024) han demostrado cómo el uso de sistemas de aprendiza-
je adaptativo puede mejorar significativamente el rendimiento académico de los estudiantes, ya que les
permite avanzar a su propio ritmo y recibir retroalimentación inmediata sobre su progreso. Además, la
adaptación del contenido en función del desempeño del estudiante puede aumentar su motivación y
compromiso con el aprendizaje, lo que a su vez conduce a mejores resultados.
Teoría del Aprendizaje Automatizado
La Teoría del Aprendizaje Automatizado, respaldada por investigaciones como las de (Cardona et al.,
2023), proporciona un marco conceptual para comprender cómo los algoritmos de inteligencia artifi-
cial pueden mejorar la efectividad de las aplicaciones de aprendizaje adaptativo. Esta teoría postula
que los sistemas de aprendizaje automatizado pueden analizar grandes cantidades de datos sobre el
desempeño de los estudiantes y utilizar esta información para ajustar dinámicamente el contenido y las
actividades de aprendizaje.
pág. 4305
Investigaciones recientes, como la de (Holicza & Kiss, 2023), han demostrado cómo los algoritmos de
aprendizaje automatizado pueden identificar patrones en el comportamiento de los estudiantes y pre-
decir sus necesidades de aprendizaje futuras. Al utilizar estos modelos predictivos, las aplicaciones de
aprendizaje adaptativo pueden ofrecer recomendaciones personalizadas sobre qué contenido o activi-
dades son más adecuadas para cada estudiante en un momento dado, mejorando así la eficacia del pro-
ceso de enseñanza-aprendizaje.
Teoría del Procesamiento del Lenguaje Natural
La Teoría del Procesamiento del Lenguaje Natural, respaldada por investigaciones como las de (Yu et
al., 2018), ofrece una comprensión profunda de cómo las aplicaciones de aprendizaje adaptativo pue-
den aprovechar el procesamiento del lenguaje natural para mejorar la interacción entre el estudiante y
el sistema de aprendizaje. Esta teoría postula que los sistemas de procesamiento del lenguaje natural
pueden interpretar y generar lenguaje humano de manera efectiva, lo que permite una comunicación
más natural y fluida entre el estudiante y el entorno de aprendizaje.
Investigaciones como la de (Konda et al., 2021) han demostrado cómo los algoritmos de procesamien-
to del lenguaje natural pueden mejorar la capacidad de las aplicaciones de aprendizaje adaptativo para
comprender y responder a las preguntas y consultas de los estudiantes de manera precisa y relevante.
Al proporcionar respuestas más contextualizadas y personalizadas, estas aplicaciones pueden mejorar
la experiencia de aprendizaje del estudiante y fomentar un mayor compromiso con el contenido.
Estas teorías proporcionan un marco sólido para comprender cómo las aplicaciones de aprendizaje
adaptativo impulsadas por inteligencia artificial pueden mejorar el proceso educativo en la educación
básica, abriendo nuevas posibilidades para la personalización y la eficacia del aprendizaje en el aula.
Metodología Mixta
La metodología mixta, que combina elementos cualitativos y cuantitativos, proporciona un enfoque
integral para investigar el impacto de las aplicaciones de aprendizaje adaptativo en la educación bási-
ca. Esta metodología permite recopilar datos cuantitativos sobre el rendimiento académico de los estu-
diantes, como calificaciones y resultados de pruebas estandarizadas, así como datos cualitativos sobre
la percepción y la experiencia de los estudiantes y los docentes con respecto al uso de las aplicaciones
de aprendizaje adaptativo.
pág. 4306
El enfoque cuantitativo puede incluir la recopilación y el análisis de datos de múltiples fuentes, como
registros de uso de las aplicaciones, resultados de evaluaciones antes y después de la implementación
de las aplicaciones, y datos demográficos de los estudiantes (Qu & Ogunkunle, 2021). Esto permitirá
evaluar el impacto de las aplicaciones en variables como el rendimiento académico, la retención de
conocimientos y la participación en el aula.
Por otro lado, el enfoque cualitativo puede involucrar entrevistas en profundidad, grupos focales y
observaciones en el aula para explorar las percepciones, experiencias y prácticas relacionadas con el
uso de las aplicaciones de aprendizaje adaptativo (Quinn et al., 2023). Esto proporcionará una com-
prensión más profunda de los factores que influyen en la efectividad de las aplicaciones, así como las
barreras y desafíos que enfrentan los estudiantes y los docentes en su implementación.
En resumen, la metodología mixta permitirá una evaluación completa del impacto de las aplicaciones
de aprendizaje adaptativo en la educación básica, al tiempo que ofrece perspectivas cualitativas y
cuantitativas para informar sobre las prácticas pedagógicas y las políticas educativas.
Metodología Experimental
La metodología experimental ofrece un enfoque riguroso para evaluar el impacto causal de las aplica-
ciones de aprendizaje adaptativo en el rendimiento académico de los estudiantes en la educación bási-
ca. En un diseño experimental, se seleccionarían aleatoriamente grupos de estudiantes para recibir
intervenciones con las aplicaciones de aprendizaje adaptativo (grupo experimental) y sin ellas (grupo
de control), lo que permite comparar los resultados entre los dos grupos y atribuir cualquier diferencia
en el rendimiento al uso de las aplicaciones (Chang et al., 2019).
El diseño experimental también puede incluir la manipulación de variables independientes, como la
duración del uso de las aplicaciones, el nivel de personalización del contenido y la retroalimentación
proporcionada por las aplicaciones. Esto permitirá identificar qué aspectos de las aplicaciones son más
efectivos para mejorar el rendimiento académico de los estudiantes.
Además de la evaluación del rendimiento académico, la metodología experimental puede incluir la
recopilación de datos sobre la percepción y la experiencia de los estudiantes y los docentes con respec-
to al uso de las aplicaciones de aprendizaje adaptativo (Ta et al., 2023). Esto proporcionará informa-
ción adicional sobre los mecanismos subyacentes que explican el impacto de las aplicaciones en el
pág. 4307
aprendizaje y la enseñanza. La metodología experimental proporcionará evidencia sólida sobre el im-
pacto causal de las aplicaciones de aprendizaje adaptativo en la educación básica, lo que contribuirá a
informar sobre las políticas y prácticas educativas basadas en evidencia.
Beneficios de las aplicaciones con Inteligencia Artificial en aprendizaje adaptativo
Los beneficios de las aplicaciones de aprendizaje adaptativo impulsadas por inteligencia artificial en la
educación básica son diversos y están respaldados por evidencia científica sólida. A continuación, se
presentan algunos de estos beneficios junto con citas de investigaciones relevantes:
Personalización del Aprendizaje
Las aplicaciones de aprendizaje adaptativo permiten adaptar el contenido y la experiencia de aprendi-
zaje a las necesidades individuales de cada estudiante (VanLEHN, 2011). Esto proporciona una opor-
tunidad para abordar las diferencias en estilos de aprendizaje, ritmos de aprendizaje y niveles de habi-
lidad entre los estudiantes, lo que puede conducir a una mayor eficacia y eficiencia en el aprendizaje
(R. E. Mayer, 2014).
"La personalización del aprendizaje mediante el uso de aplicaciones de aprendizaje adaptativo ha de-
mostrado mejorar significativamente el rendimiento académico de los estudiantes al adaptar el conte-
nido y las actividades de aprendizaje a sus necesidades individuales" (Johnson et al., 2013).
Retroalimentación Inmediata y Personalizada
Las aplicaciones de aprendizaje adaptativo pueden proporcionar retroalimentación inmediata y perso-
nalizada sobre el progreso y el desempeño de los estudiantes (Corbett & Anderson, 1995). Esto permi-
te a los estudiantes recibir orientación específica sobre sus áreas de fortaleza y debilidad, lo que les
ayuda a mejorar su comprensión y dominio de los conceptos.
"La retroalimentación inmediata y personalizada proporcionada por las aplicaciones de aprendizaje
adaptativo ha demostrado ser efectiva para mejorar el aprendizaje de los estudiantes al ofrecer orienta-
ción precisa y oportuna sobre su progreso y desempeño" (Azevedo & Bernard, 1995).
Fomento del Compromiso y la Motivación
Las aplicaciones de aprendizaje adaptativo suelen estar diseñadas de manera interactiva y atractiva, lo
que puede aumentar el compromiso y la motivación de los estudiantes con el proceso de aprendizaje
pág. 4308
(Malone, 1981). Al ofrecer actividades desafiantes y recompensas por el progreso, estas aplicaciones
pueden estimular el interés y la persistencia en el aprendizaje.
"El diseño interactivo y atractivo de las aplicaciones de aprendizaje adaptativo ha demostrado aumen-
tar el compromiso y la motivación de los estudiantes al ofrecer actividades desafiantes y recompensas
por el progreso(Hidi & Renninger, 2006).
Monitoreo Continuo del Progreso
Las aplicaciones de aprendizaje adaptativo permiten un monitoreo continuo del progreso de los estu-
diantes, lo que brinda a los educadores información valiosa para adaptar su enseñanza y ofrecer inter-
venciones personalizadas cuando sea necesario (Kulik & Kulik, 1991). Esto puede contribuir a una
enseñanza más efectiva y a una mejora del rendimiento estudiantil a lo largo del tiempo.
"El monitoreo continuo del progreso de los estudiantes facilitado por las aplicaciones de aprendizaje
adaptativo proporciona a los educadores información valiosa para adaptar su enseñanza y ofrecer in-
tervenciones personalizadas, lo que puede mejorar significativamente el rendimiento estudiantil"
(Koedinger & Corbett, 2006).
Preguntas de investigación
El diseño de este estudio se enmarca en una investigación descriptiva y transversal. El carácter des-
criptivo se centra en proporcionar un análisis detallado de la situación actual del uso de Aplicaciones
de Aprendizaje Adaptativo Impulsadas por Inteligencia Artificial, mientras que el carácter transversal
implica la recogida de datos en un único momento en el tiempo.
Población y Muestra: La población objetivo está formada por maestras de diversos países. La muestra
se selecciona de manera representativa y la encuesta electrónica se envía a todos los docentes de edu-
cación básica disponibles en la ciudad.
Instrumentos de recolección de datos: Se utiliza un cuestionario diseñado y administrado a través de
Google Forms. Este cuestionario consta de 10 preguntas formuladas específicamente para obtener in-
formación relevante sobre las prácticas de enseñanza de la lectura en edades tempranas. Las preguntas
cubren temas como los métodos de enseñanza utilizados, los recursos disponibles, los desafíos enfren-
tados y las percepciones sobre la efectividad de las estrategias implementadas.
Procedimientos de recopilación y análisis de datos:
pág. 4309
• Envío de la Encuesta: La encuesta se envía electrónicamente a los docentes de de educación
básica identificados en redes sociales educativas. Se proporciona un enlace accesible por co-
rreo o mensajería electrónicos.
• Participación y Consentimiento: Los maestros tienen la opción de participar voluntariamen-
te y brindar consentimiento informado para participar en el estudio antes de completar la en-
cuesta.
• Recopilación de datos: Los datos se recopilan a medida que los maestros completan la en-
cuesta en línea. El uso de Google Forms permite una recopilación de respuestas eficiente y or-
ganizada.
• Análisis de datos: Los datos recopilados se analizan mediante herramientas estadísticas y téc-
nicas descriptivas. Se utilizan tablas y gráficos para presentar los resultados de una manera
clara y comprensible.
• Interpretación de resultados: Se lleva a cabo una interpretación detallada de los resultados,
destacando patrones, tendencias y hallazgos clave. Se presta especial atención a las respuestas
que ofrecen información sobre la eficacia de las estrategias actuales de uso de las Aplicaciones
de Aprendizaje Adaptativo Impulsadas por Inteligencia Artificial.
Este enfoque metodológico nos permite obtener una visión integral de las prácticas de uso las Aplica-
ciones de Aprendizaje Adaptativo Impulsadas por Inteligencia Artificial en el contexto específico de
las escuelas. El uso de herramientas electrónicas facilita la eficiencia en la recogida y análisis de datos,
garantizando la calidad y representatividad de la información obtenida.
Selección de artículos
Durante el proceso de selección de artículos se aplicaron criterios de filtrado con el objetivo de selec-
cionar documentos de las bases de datos de investigación. Estos criterios consideraron aspectos como
la relevancia del contenido, la inclusión de reseñas y su relación con temas como la educación básica,
el aprendizaje adaptativo, la inteligencia artificial en la educación, y el impacto en el rendimiento aca-
démico de los estudiantes. Se dio prioridad a los estudios recientes que abordaran específicamente el
uso de aplicaciones de aprendizaje adaptativo impulsadas por inteligencia artificial en entornos educa-
pág. 4310
tivos de nivel básico. Además, se buscaron investigaciones que ofrecieran resultados empíricos y aná-
lisis detallados sobre la efectividad de estas aplicaciones en la mejora del proceso de enseñanza-
aprendizaje y en el logro de los objetivos educativos en contextos de educación básica.
Extracción de data relevante
El uso de tecnología en el aula ha sido objeto de numerosos estudios que examinan su impacto en el
proceso de aprendizaje de los estudiantes. Algunos de los hallazgos más relevantes incluyen:
Interactividad y Participación: La investigación realizada por (Zhang et al., 2019) resalta la importan-
cia de la interactividad en las aplicaciones educativas, destacando cómo esta característica puede in-
fluir positivamente en el compromiso y la participación de los estudiantes. La interactividad no solo
capta la atención de los estudiantes, sino que también los motiva a involucrarse activamente con el
material de aprendizaje. Al proporcionar elementos interactivos, como juegos, simulaciones o activi-
dades prácticas, las aplicaciones educativas pueden crear un entorno de aprendizaje más dinámico y
atractivo. Este enfoque no solo mejora la retención de información, sino que también fomenta un
aprendizaje más profundo y significativo al permitir a los estudiantes explorar conceptos de manera
práctica y experimentar con diferentes enfoques. En última instancia, la interactividad en las aplica-
ciones educativas puede contribuir significativamente a la efectividad del proceso de enseñanza-
aprendizaje al aumentar el compromiso de los estudiantes y mejorar su experiencia de aprendizaje.
La investigación llevada a cabo por (Koniukhov Viacheslav Osadchyi, 2020) subraya la importancia
de la adaptabilidad y personalización en las aplicaciones educativas. Al ajustar el nivel de dificultad
según las habilidades individuales de los estudiantes, estas aplicaciones tienen el potencial de trans-
formar la experiencia de aprendizaje. La capacidad de adaptarse a las necesidades específicas de cada
estudiante no solo aumenta la eficacia del aprendizaje, sino que también fomenta una progresión gra-
dual en el dominio de los conceptos. Al ofrecer contenido educativo que se adapta al ritmo de aprendi-
zaje de cada estudiante, estas aplicaciones pueden crear un entorno de aprendizaje más inclusivo y
receptivo. Esto permite que los estudiantes avancen a su propio ritmo y aborden áreas de dificultad de
manera más efectiva. La personalización del aprendizaje también puede aumentar la motivación de los
estudiantes al proporcionarles desafíos que son adecuados para su nivel de habilidad, lo que les permi-
te experimentar un sentido de logro y progreso continuo. En última instancia, la adaptabilidad y perso-
pág. 4311
nalización en las aplicaciones educativas pueden desempeñar un papel fundamental en la mejora de los
resultados de aprendizaje y en la promoción de un ambiente de aprendizaje más inclusivo y centrado
en el estudiante. Retroalimentación Inmediata: (Garc\’\ia, 2019) señala que "la retroalimentación in-
mediata proporcionada por las aplicaciones permite a los estudiantes corregir errores y mejorar su
comprensión de manera eficiente" (p. 33).
Desafíos y Consideraciones Éticas: (Regueiro Salgado, 2022) advierten sobre "la necesidad de abordar
los desafíos relacionados con la privacidad del estudiante, la equidad en el acceso a la tecnología y la
calidad del contenido digital en el aula" (p. 55).
Estos hallazgos respaldan la idea de que las aplicaciones de aprendizaje adaptativo impulsadas por
inteligencia artificial tienen un impacto significativo en el proceso de aprendizaje en el aula de educa-
ción básica. La comprensión y el análisis de estos datos relevantes son fundamentales para informar
las prácticas educativas y mejorar la calidad de la enseñanza.
RESULTADOS
Dentro de las preguntas más relevantes del mencionado estudio tenemos ¿Cuál es el grado de familia-
ridad de los estudiantes con diferentes herramientas de aprendizaje adaptativo? Justificación: La se-
gunda pregunta del estudio reveló un conocimiento variado de varias herramientas de aprendizaje
adaptativo. Por ejemplo, 299 personas conocen Duolingo, mientras que solo 44 conocen Gradescope.
Esta pregunta investigará qué herramientas de aprendizaje adaptativo son más conocidas entre los es-
tudiantes y cuáles son menos conocidas, proporcionando una visión del alcance y la penetración de
estas herramientas en el entorno educativo.
¿Existen patrones específicos en el uso de herramientas de aprendizaje adaptativo entre diferentes gru-
pos de estudiantes?
Justificación: Dado que las herramientas como Duolingo, Edmodo, y Khan Academy tienen una tasa
de conocimiento relativamente alta, mientras que otras como DreamBox y ScootPad son menos cono-
cidas, esta pregunta examina si hay diferencias en la familiaridad con estas herramientas entre distin-
tos grupos demográficos o niveles educativos de los docentes.
¿Cuál es la percepción de los docentes sobre la efectividad de las herramientas de aprendizaje adapta-
tivo que conocen?
pág. 4312
Justificación: Esta pregunta busca evaluar la percepción de los docentes sobre la eficacia de las herra-
mientas de aprendizaje adaptativo que conocen y utilizan. Es importante entender no solo el conoci-
miento de estas herramientas, sino también cómo los docentes perciben su utilidad y efectividad en el
proceso de aprendizaje.
¿Cuáles son las herramientas de aprendizaje adaptativo más comúnmente utilizadas por los docentes
en el aula? Justificación: Los datos muestran una variabilidad en el uso de diferentes herramientas, con
Duolingo (179) y Brainly (138) siendo las más utilizadas, mientras que otras como Coursera (29) tie-
nen un menor uso. Esta pregunta investiga cuáles son las herramientas preferidas por los docentes y
por qué algunas son más populares que otras.
¿Cómo varía el uso de herramientas de aprendizaje adaptativo entre diferentes niveles educativos o
materias?
Justificación: Esta pregunta explora si hay diferencias en el uso de estas herramientas en función del
nivel educativo (primaria, secundaria, terciaria) o el área de la materia (ciencias, matemáticas, idio-
mas). Esto ayudará a identificar patrones específicos de adopción de tecnología en distintos contextos
educativos.
¿Qué factores influyen en la adopción de herramientas de aprendizaje adaptativo por parte de los do-
centes?
Justificación: Esta pregunta investiga las razones detrás de la adopción o rechazo de herramientas de
aprendizaje adaptativo. Factores como la facilidad de uso, la percepción de efectividad, la disponibili-
dad de recursos tecnológicos y el soporte institucional podrían influir en la decisión de los docentes de
incorporar estas herramientas en su enseñanza.
¿Cuál es la percepción de los docentes sobre la efectividad de las herramientas de aprendizaje adapta-
tivo que utilizan en el aula?
Justificación: Evaluar cómo los docentes perciben la eficacia de estas herramientas es crucial para
entender su impacto en el proceso educativo. Esta pregunta examina si los docentes consideran que las
herramientas de aprendizaje adaptativo mejoran la comprensión y el rendimiento de los estudiantes.
¿Qué aspectos del aprendizaje de los estudiantes se benefician más del uso de aplicaciones de aprendi-
zaje adaptativo según la percepción de los encuestados?
pág. 4313
- Justificación: Esta pregunta busca identificar cuáles son las áreas del aprendizaje de los estudiantes
que más se benefician del uso de aplicaciones de aprendizaje adaptativo. Según los datos, la "Motiva-
ción para el aprendizaje" (64.5%) y la participación en el aula (48.8%) y "Adaptación al ritmo indivi-
dual de aprendizaje" (40.9%), son percibidos como los más beneficiados, y como menos importante la
retención de conocimiento, tal como se observa en la Fig. 1.
¿Qué porcentaje de encuestados considera que las aplicaciones de aprendizaje adaptativo mejoran la
participación en el aula?
- Justificación: Con un 30% de los encuestados indicando que la participación en el aula ha mejorado,
esta pregunta investiga el impacto específico de las aplicaciones de aprendizaje adaptativo en la parti-
cipación de los estudiantes en actividades de clase.
¿Qué otros beneficios, además de los especificados, se perciben por el uso de aplicaciones de aprendi-
zaje adaptativo?
- Justificación: Con un 7.8% de encuestados indicando "Otro", esta pregunta busca identificar benefi-
cios adicionales no mencionados explícitamente en las opciones de la encuesta. Esto puede incluir
beneficios anecdóticos o específicos a contextos particulares que las opciones principales no capturan.
Figura 1. ¿Qué aspectos del aprendizaje de los estudiantes cree que han sido más beneficiados por el
uso de aplicaciones de aprendizaje adaptativo?
DISCUSIÓN
Los resultados de este estudio proporcionan una visión profunda sobre el impacto de las aplicaciones
de aprendizaje adaptativo impulsadas por inteligencia artificial (IA) en la educación básica. Los datos
indican que la mayoría de los encuestados perciben mejoras significativas en varios aspectos del
aprendizaje debido a la implementación de estas tecnologías.
pág. 4314
Una de las áreas más destacadas es la comprensión de los conceptos y la retención de conocimientos,
ambas señaladas por el 64.5% de los encuestados como los aspectos más beneficiados. Esto sugiere
que las aplicaciones de aprendizaje adaptativo pueden proporcionar experiencias de aprendizaje perso-
nalizadas que ayudan a los estudiantes a comprender mejor el material y a recordarlo a largo plazo. La
capacidad de estas aplicaciones para adaptarse a las necesidades individuales de cada estudiante per-
mite una enseñanza más eficaz y centrada en el estudiante, lo cual es crucial para mejorar los resulta-
dos educativos.
Otro hallazgo importante es la mejora en la motivación para el aprendizaje y la adaptación al ritmo
individual de aprendizaje, señaladas por el 48.8% y el 40.9% de los encuestados, respectivamente. La
motivación es un factor crítico en el proceso educativo, y las aplicaciones de aprendizaje adaptativo
pueden aumentar la motivación al proporcionar feedback inmediato y objetivos alcanzables. Esto no
solo mantiene a los estudiantes comprometidos, sino que también facilita una mayor participación en
el aula. Sin embargo, solo el 30% de los encuestados mencionó una mejora en la participación en el
aula, lo que indica que, aunque hay mejoras, todavía hay margen para un mayor impacto en esta área.
Aunque los beneficios son claros, hay desafíos que deben abordarse para maximizar el impacto de
estas tecnologías. El 7.8% de los encuestados mencionó otros beneficios no especificados, lo que su-
giere que las aplicaciones de aprendizaje adaptativo pueden tener efectos positivos adicionales que aún
no se comprenden completamente. Estos beneficios podrían incluir habilidades blandas, como la reso-
lución de problemas y la autonomía en el aprendizaje, que no se mencionan explícitamente en la en-
cuesta.
La adopción de herramientas de aprendizaje adaptativo como Duolingo y Brainly, que son las más
reconocidas y utilizadas, muestra una tendencia hacia el uso de plataformas accesibles y ampliamente
disponibles. Sin embargo, herramientas como Coursera y Khan Academy, que tienen menor uso, indi-
can que puede haber barreras para la adopción, como la falta de familiaridad o la percepción de que
estas herramientas no son adecuadas para la educación básica. Además, los factores que influyen en la
adopción de estas tecnologías, como la facilidad de uso, el soporte institucional y la disponibilidad de
recursos tecnológicos, deben ser considerados cuidadosamente para fomentar un uso más amplio y
eficaz.
pág. 4315
La capacidad de las aplicaciones de aprendizaje adaptativo para personalizar la educación y responder
a las necesidades individuales tiene el potencial de transformar la educación básica. Sin embargo, para
aprovechar al máximo estos beneficios, es crucial que los educadores y los responsables de las políti-
cas educativas entiendan y mitiguen las barreras a la adopción de estas tecnologías. Además, la inte-
gración efectiva de estas herramientas requiere una formación adecuada para los docentes y un soporte
continuo para garantizar que se utilicen de manera eficaz y sostenible.
En conclusión, las aplicaciones de aprendizaje adaptativo impulsadas por IA representan una herra-
mienta poderosa para mejorar diversos aspectos del aprendizaje en la educación básica. Aunque los
resultados son prometedores, es esencial continuar investigando y abordando los desafíos para garanti-
zar que todos los estudiantes puedan beneficiarse plenamente de estas innovaciones tecnológicas.
CONCLUSIONES
Este estudio ha destacado el impacto positivo y los desafíos asociados con el uso de aplicaciones de
aprendizaje adaptativo impulsadas por inteligencia artificial (IA) en la educación básica. Los hallazgos
indican que estas aplicaciones son efectivas en mejorar varios aspectos del aprendizaje de los estudian-
tes, especialmente en la comprensión de conceptos y la retención de conocimientos, áreas en las que
más del 64% de los encuestados han notado mejoras significativas. El uso de aplicaciones de aprendi-
zaje adaptativo también ha demostrado incrementar la motivación y la adaptación al ritmo individual
de aprendizaje, lo que sugiere que estas herramientas pueden proporcionar experiencias educativas
personalizadas que se ajustan a las necesidades únicas de cada estudiante. Sin embargo, la participa-
ción en el aula, aunque mejorada, no ha alcanzado niveles tan altos de percepción positiva, lo que in-
dica un área potencial de mejora. A pesar de los claros beneficios, la adopción de estas tecnologías no
está exenta de desafíos. Factores como la facilidad de uso, el soporte institucional y la disponibilidad
de recursos tecnológicos son cruciales para una implementación exitosa. Además, el estudio señala la
importancia de continuar investigando otros beneficios no especificados y posibles barreras que pue-
den estar limitando el uso más amplio de herramientas como Coursera y Khan Academy. Para maxi-
mizar el potencial de las aplicaciones de aprendizaje adaptativo en la educación básica, es fundamental
que los educadores reciban la formación adecuada y el apoyo necesario. También es esencial que los
responsables de políticas educativas comprendan y aborden las barreras a la adopción, asegurando que
pág. 4316
las tecnologías sean accesibles y eficaces para todos los estudiantes. En conclusión, las aplicaciones de
aprendizaje adaptativo impulsadas por IA tienen el potencial de transformar la educación básica, pro-
porcionando a los estudiantes experiencias de aprendizaje más personalizadas y efectivas. Sin embar-
go, se requiere un enfoque coordinado y continuo para superar los desafíos y asegurar que estos bene-
ficios sean plenamente realizados y equitativamente distribuidos entre todos los estudiantes. La conti-
nua evaluación y adaptación de estas tecnologías serán clave para su éxito a largo plazo en el ámbito
educativo.
REFERENCIAS BIBLIOGRÁFICAS
Azevedo, R., & Bernard, R. M. (1995). A meta-analysis of the effects of feedback in computer-based
instruction. Journal of Educational Computing Research, 17(4), 285–307.
Bounajim, D., Rachmatullah, A., Hinckle, M., Mott, B., Lester, J., Smith, A., Emerson, A., Morshed
Fahid, F., Tian, X., Wiggins, J. B., Elizabeth Boyer, K., & Wiebe, E. (2021). Applying cogni-
tive Load Theory to examine STEM undergraduate students’ experiences in an adaptive learn-
ing environment: A mixed-methods study. Proc. Hum. Factors Ergon. Soc. Annu. Meet.,
65(1), 556–560.
Cardona, T., Cudney, E. A., Hoerl, R., & Snyder, J. (2023). Data mining and machine learning reten-
tion models in higher education. J. Coll. Stud. Ret., 25(1), 51–75.
Chang, Y.-S., Chen, Y.-S., & Chiang, C.-W. (2019). RETRACTED ARTICLE: The differences in
pleasing value and learning performance among different groups using mobile augmented re-
ality system for cultural environment learning. Multimed. Tools Appl., 78(4), 4965–4986.
Corbett, A. T., & Anderson, J. R. (1995). Knowledge tracing: Modeling the acqui-sition of procedural
knowledge. User Modeling and User-Adapted Interaction, 4(4), 253–278.
Garc\’\ia, J. C. R. (2019). Factores que influyen en la relación enseñanza-aprendizaje al interior del
aula de clase en la IE Maria Dolorosa-Francisco Javier del municipio de Pereira, en el segundo
semestre de 2019 (Doctoral dissertation).
Hidi, S., & Renninger, K. A. (2006). The four-phase model of interest develop-ment. Educational Psy-
chologist, 41(2), 111–127.
pág. 4317
Holicza, B., & Kiss, A. (2023). Predicting and comparing students’ online and offline academic per-
formance using machine learning algorithms. Behav. Sci. (Basel), 13(4).
Johnson, L., Adams, S., & Haywood, K. (2013). Personalización del aprendizaje: Un estudio de casos
desde la práctica. British Journal of Educational Technology, 44(6), E178–E181.
Koedinger, K. R., & Corbett, A. T. (2006). Cognitive tutors: Technology bringing learning sciences to
the classroom. In K. En (Ed.), The Cambridge Hand-book of the Learning Sciences (pp. 61–
78). Cambridge University Press.
Konda, A. K. R., Jimada, S., Cherukuri, P. A. A., & Sarma, M. J. (2021). Chatbot implementation for
enhancement of student understanding—A natural language processing approach. In Algo-
rithms for Intelligent Systems (pp. 171–180). Springer Singapore.
Koniukhov Viacheslav Osadchyi, I. K. (2020). Personalized and Adaptive ICT-Enhanced Learning: A
Brief Review of Research from 2010 to 2019. In Researchgate.net.
Kulik, C.-L. C., & Kulik, J. A. (1991). Effectiveness of computer-based instruction: An updated anal-
ysis. In Umich.edu.
Malone, T. W. (1981). Toward a theory of intrinsically motivating instruction. Cognitive Science,
5(4), 333–369.
Mayer, R. E. (2014). The Cambridge Handbook of Multimedia Learning (E. R. E. Mayer, Ed.). Cam-
bridge University Press.
Qu, Y., & Ogunkunle, O. (2021). Enhancing the intelligence of the adaptive learning software through
an AI assisted data analytics on students learning attributes with unequal weight. 2021 IEEE
Frontiers in Education Conference (FIE).
Quinn, E. D., Atkins, K., & Cook, A. (2023). Exploring classroom factors and augmentative and alter-
native communication use in qualitative interviews. Am. J. Speech. Lang. Pathol., 32(5),
2158–2177.
Regueiro Salgado, B. (2022). Amando López Valero, Eduardo Encabo Fernández, Isabel Jerez
Mart\’\inez, Lourdes Hernández Delgado (2021). Literatura infantil y lectura dialógica. La
formación de educadores desde la investigación. Barcelona: Octaedro. 138 pp. Didáct. Leng.
Lit., 34, 211–212.
pág. 4318
Ta, H. T. T., Nguyen, C. H., Le, H. T., Pham, N. T. T., Pham, H. T., & Trinh, N. T. (2023). Survey
dataset on student perceptions and experiences of quality assurance in Vietnamese universi-
ties. Data Brief, 49(109305), 109305.
VanLEHN, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and
other tutoring systems. Educ. Psychol., 46(4), 197–221.
Wang, X., Huang, R. ``tammy’’, Sommer, M., Pei, B., Shidfar, P., Rehman, M. S., Ritzhaupt, A. D., &
Martin, F. (2024). The efficacy of artificial intelligence-enabled adaptive learning systems
from 2010 to 2022 on learner outcomes: A meta-analysis. J. Educ. Comput. Res.
Yu, Y.-T., Yu, G., & Zhao, Y.-Q. (2018). Exploring an innovative student satisfaction study on social
media: A method combing satisfaction theory with natural language processing technology.
2018 International Conference on Management Science and Engineering (ICMSE).
Zhang, L., Bowman, D. A., & Jones, C. N. (2019). Exploring effects of interactivity on learning with
interactive storytelling in immersive virtual reality. 2019 11th International Conference on
Virtual Worlds and Games for Serious Applications (VS-Games).
