ANÁLISIS DE LOS SISTEMAS DE APRENDIZAJE

PERSONALIZADO IMPULSADOS POR

INTELIGENCIA ARTIFICIAL Y SU

IMPLEMENTACIÓN EN CONTEXTOS EDUCATIVOS

Este estudio examina el impacto y las aplicaciones de los sistemas de aprendizaje adaptativo impulsados

por inteligencia artificial (IA) en la educación. Se emplea la metodología PRISMA para revisar y

analizar 10 artículos científicos clave, publicados entre 2021 y 2024. Los resultados muestran que la IA

Palabras clave: inteligencia artificial, aprendizaje adaptativo, personalización educativa, rendimiento

académico, sesgos algorítmicos

This study examines the impact and applications of adaptive learning systems powered by artificial

intelligence (AI) in education. The PRISMA methodology is employed to review and analyze 10 key

scientific articles published between 2021 and 2024. The results show that AI has improved the

personalization of learning, allowing educational systems to adapt content and pedagogical strategies in

real time. The included studies highlight the use of advanced algorithms such as neural networks and

deep learning, and how these technologies are positively influencing academic performance. However,

challenges related to technological adoption, educational infrastructure, and algorithmic biases are

identified.

La inteligencia artificial (IA) ha revolucionado numerosos sectores, y la educación no ha sido una

excepción. En los últimos años, la implementación de sistemas de aprendizaje adaptativo impulsados

por IA ha permitido una personalización sin precedentes del proceso educativo, adaptándose a las

necesidades y estilos de aprendizaje individuales de cada estudiante (Holmes et al., 2019; Krstić et al.,

2022; Zawacki-Richter et al., 2019). Este enfoque representa un cambio significativo respecto a los

métodos de enseñanza tradicionales, que suelen adoptar un enfoque generalizado y uniforme para todos

los alumnos (Xu et al., 2024). Los sistemas adaptativos basados en IA ofrecen una alternativa innovadora

al proporcionar contenido educativo y estrategias pedagógicas ajustadas en tiempo real, mejorando el

nivel de cada estudiante. Este enfoque adaptativo tiene el potencial de mejorar la retención del

conocimiento y, en última instancia, el rendimiento académico a largo plazo (Chen et al., 2021; Xu,

2024; David & Extension, 2024).

En el ámbito de la educación STEM, el uso de tecnologías como la visión por computadora ha permitido

medir el compromiso y la participación de los estudiantes de manera más precisa. Por ejemplo, sistemas

como el Real-time Automated STEM Engagement Detection System (RASEDS) utilizan algoritmos de

IA para personalizar las actividades educativas basándose en los niveles de interacción y autoeficacia

de los estudiantes, lo que ha demostrado ser altamente efectivo para mejorar el rendimiento en áreas

científicas y tecnológicas (Wu et al., 2023).

A pesar de estos avances, la implementación generalizada de estos sistemas presenta varios desafíos.

formación técnica por parte de los docentes también pueden dificultar la adopción de estos sistemas en

ciertos contextos (Lin & Lai, 2021). Otro desafío importante es el sesgo algorítmico y las

preocupaciones relacionadas con la privacidad de los datos. La recopilación y el procesamiento de datos

personales en tiempo real requieren el desarrollo de marcos éticos robustos que protejan la privacidad

de los estudiantes y aseguren el uso responsable de estas tecnologías (Hwang, 2022).

A pesar de estos desafíos, los beneficios potenciales de los sistemas de aprendizaje adaptativo

impulsados por IA superan sus limitaciones, y se espera que su adopción siga en aumento en los

próximos años. La capacidad de personalizar el aprendizaje no solo mejora el rendimiento académico,

sino que también fomenta una experiencia de aprendizaje más atractiva y relevante para los estudiantes,

(IA) en entornos educativos. La metodología utilizada sigue las directrices de PRISMA (Preferred

Reporting Items for Systematic Reviews and Meta-Analyses), que garantiza la rigurosidad y

transparencia en el proceso de selección y análisis de los estudios revisados.

Se realizó una búsqueda exhaustiva de artículos en las principales bases de datos académicas, incluidas

Scopus, Web of Science (WoS) y Google Scholar. Estas plataformas fueron seleccionadas por su amplia

cobertura de estudios científicos en el ámbito de la tecnología educativa y la inteligencia artificial. Las

ecuaciones de búsqueda incluyeron los siguientes términos clave: "inteligencia artificial", "aprendizaje

adaptativo", "personalización del aprendizaje", "IA en la educación", y "educación impulsada por IA".

Además, se utilizaron operadores booleanos para ampliar los resultados y sinónimos para asegurar una

Para garantizar la relevancia de los estudios seleccionados, se establecieron criterios de inclusión

específicos. Los artículos debían cumplir con los siguientes requisitos: (1) tratar explícitamente sobre el

uso de la IA en la personalización del aprendizaje, (2) estar revisados por pares y publicados en revistas

indexadas, (3) ofrecer evidencia empírica o teórica sobre la implementación de sistemas adaptativos en

entornos educativos, y (4) estar disponibles en texto completo. Además, se incluyeron estudios tanto

cualitativos como cuantitativos que abordaran la adaptación de contenidos educativos en tiempo real o

el uso de algoritmos de IA para personalizar la experiencia de aprendizaje.

Se excluyeron estudios que no se enfocaran directamente en el uso de IA para la personalización en la

eliminación de duplicados, 120 artículos fueron seleccionados para la fase de cribado, donde se revisaron

los títulos y resúmenes. Posteriormente, 40 estudios pasaron a la fase de evaluación detallada, en la que

se aplicaron los criterios de inclusión y exclusión mencionados. Finalmente, 10 artículos cumplieron

con los criterios y fueron seleccionados para su inclusión en esta revisión sistemática.

Cada artículo seleccionado fue evaluado a fondo para extraer los datos relevantes. Se realizaron tablas

de síntesis para organizar la información sobre los autores, el tipo de tecnología de IA empleada, los

enfoques metodológicos, los resultados clave y las implicaciones prácticas de cada estudio. Además, se

evaluaron los efectos de los sistemas adaptativos sobre el rendimiento académico, la retención del

conocimiento y la personalización de los contenidos educativos. Se consideraron tanto los beneficios

Es importante señalar que esta revisión sistemática se limitó a estudios publicados en inglés y español,

lo que podría haber excluido investigaciones relevantes en otros idiomas. Además, aunque se utilizaron

bases de datos académicas reconocidas, es posible que algunos estudios importantes no hayan sido

incluidos debido a la limitación temporal de la búsqueda.

Demartini et al. (2024) destacan que la inteligencia artificial (IA) ha optimizado los sistemas de

aprendizaje adaptativo mediante el uso de técnicas de learning analytics y algoritmos de machine

learning, permitiendo la personalización del contenido educativo en tiempo real. Esto facilita la

rendimiento académico (Wu et al., 2023).

El uso de técnicas de deep learning para la personalización de rutas de aprendizaje ha mostrado un

aumento considerable en el rendimiento académico de los estudiantes universitarios. Los sistemas de IA

aplicados en la educación superior permiten ajustar los contenidos educativos de acuerdo con los datos

individuales de los estudiantes, lo que incrementa tanto las calificaciones como la participación activa

en el aprendizaje (Naseer et al., 2024).

La evolución de los MOOCs hacia los SPOCs ha sido impulsada por la IA, lo que ha permitido una

educación más precisa y personalizada. Estos sistemas ajustan los contenidos a las necesidades

específicas de cada estudiante, mejorando no solo los resultados de aprendizaje, sino también la

interacción entre estudiantes y docentes (Lin & Lai, 2021).

predecir el rendimiento de los estudiantes y ajustar los recursos educativos en tiempo real, ofreciendo

una experiencia de aprendizaje altamente personalizada.

Jing et al. (2023) observan, a través de un análisis bibliométrico, un crecimiento significativo en las

publicaciones relacionadas con IA y aprendizaje adaptativo en los últimos años. Esta tendencia refleja

un interés creciente en la personalización del aprendizaje mediante IA, con un aumento de

investigaciones en áreas como la educación en línea y STEM.

Los sistemas de aprendizaje adaptativo basados en IA no solo incrementan el rendimiento académico,

sino que también mejoran la retención del conocimiento. Los estudios muestran que los estudiantes que

utilizan estos sistemas tienen una mayor capacidad para retener los contenidos, lo que impacta

entornos de aprendizaje más flexibles y personalizados. Las plataformas educativas impulsadas por IA

permiten ajustar tanto los contenidos como las estrategias pedagógicas a las necesidades individuales de

los estudiantes, optimizando así su rendimiento académico.

Finalmente, AL-Chalabi et al. (2021) demostraron que un sistema de aprendizaje adaptativo basado en

el nivel de conocimiento del estudiante es altamente eficaz para personalizar el contenido educativo, lo

que mejora tanto la retención del conocimiento como el rendimiento académico.

Los sistemas de aprendizaje adaptativo impulsados por inteligencia artificial (IA) han demostrado ser

una innovación clave en la personalización del proceso educativo. A lo largo de esta revisión, se

evidenció que la IA no solo mejora el rendimiento académico de los estudiantes, sino que también

optimiza la experiencia de aprendizaje al adaptarse a sus necesidades individuales en tiempo real

Uno de los principales hallazgos es que los sistemas adaptativos impulsados por IA han tenido un

impacto significativo en áreas como la educación STEM. Por ejemplo, Wu et al. (2023) demostraron

cómo el uso de visión por computadora y algoritmos de IA mejoró tanto el compromiso como la

autoeficacia de los estudiantes en tiempo real, adaptando los contenidos educativos según el nivel de

participación de los alumnos. Este enfoque es crucial en áreas complejas como las ciencias y la

tecnología, donde la capacidad de la IA para ajustar continuamente los recursos educativos contribuye

a un aprendizaje más eficaz.

Sin embargo, a pesar de los avances en la personalización del aprendizaje, también se han identificado

varios desafíos. Los estudios de Lin & Lai (2021) y Kamalov et al. (2023) subrayan que la

un impacto positivo, el uso de datos personales para adaptar los contenidos educativos plantea

importantes dilemas éticos, especialmente en relación con la protección de la privacidad de los

estudiantes. Estos estudios destacan la necesidad de desarrollar marcos normativos y éticos que permitan

un uso responsable de la IA en la educación.

Otro aspecto relevante es el impacto de estos sistemas en la motivación y el compromiso de los

estudiantes. Según los hallazgos de Naseer et al. (2024), la personalización del aprendizaje a través de

rutas adaptativas mejora tanto el rendimiento académico como la participación de los estudiantes en los

entornos de educación superior. Los resultados sugieren que los estudiantes que utilizan sistemas

impulsados por IA tienden a mostrar mayores niveles de motivación y retención de conocimientos en

comparación con aquellos que siguen métodos educativos tradicionales.