ANÁLISIS DE SISTEMAS ADAPTATIVOS DE
APRENDIZAJE BASADOS EN INTELIGENCIA
ARTIFICIAL EN LA EDUCACIÓN SUPERIOR
ANALYSIS OF ARTIFICIAL INTELLIGENCE-BASED
ADAPTIVE LEARNING SYSTEMS IN HIGHER EDUCATION
Carmen Elena Novoa Carrasco
Universidad Nacional Abierta y a Distancia
Marleidys Herrera Cohen
Universidad Nacional Abierta y a Distancia
pág. 13866
DOI: https://doi.org/10.37811/cl_rcm.v9i5.20549
Análisis de sistemas adaptativos de aprendizaje basados en inteligencia
artificial en la educación superior
Carmen Elena Novoa Carrasco1
carmen.novoa@unad.edu.co
https://orcid.org/0009-0008-2023-0811
Universidad Nacional Abierta y a Distancia
Colombia
Marleidys Herrera Cohen
Marleidys.herrera@unad.edu.co
https://orcid.org/0009-0008-8024-0536
Universidad Nacional Abierta y a Distancia
Colombia
RESUMEN
Este estudio tiene como objetivo analizar los sistemas adaptativos de aprendizaje basados en inteligencia
artificial en la educación superior. El análisis teórico se fundamenta en la articulación de conceptos
como teorías del aprendizaje individualizado y automatización educativa, sistemas adaptativos para
mejorar el rendimiento académico y la inteligencia artificial aplicada a la personalización del
aprendizaje. La metodología se centrará en la revisión crítica de fuentes académicas confiables como
Routledge, Springer Netherlands, John Wiley & Sons Inc., y demás, entre los años 2013 a 2024,
utilizando criterios de calidad y pertinencia para evaluar el impacto de la inteligencia artificial en el
diseño de sistemas educativos. Los resultados esperados incluyen una evaluación analítica de los
mecanismos de adaptación de estos sistemas y su capacidad para mejorar el rendimiento académico
mediante la personalización. Se prevé que los hallazgos proporcionen directrices prácticas para
optimizar el uso de IA en la educación superior.
Palabras clave: aprendizaje adaptativo;inteligencia artificial; personalización educativa; educación
superior.
1 Autor principal
Correspondencia: carmen.novoa@unad.edu.co
DOI: https://doi.org/10.37811/cl_rcm.v9i5.20549
Análisis de sistemas adaptativos de aprendizaje basados en inteligencia
artificial en la educación superior
Carmen Elena Novoa Carrasco1
carmen.novoa@unad.edu.co
https://orcid.org/0009-0008-2023-0811
Universidad Nacional Abierta y a Distancia
Colombia
Marleidys Herrera Cohen
Marleidys.herrera@unad.edu.co
https://orcid.org/0009-0008-8024-0536
Universidad Nacional Abierta y a Distancia
Colombia
RESUMEN
Este estudio tiene como objetivo analizar los sistemas adaptativos de aprendizaje basados en inteligencia
artificial en la educación superior. El análisis teórico se fundamenta en la articulación de conceptos
como teorías del aprendizaje individualizado y automatización educativa, sistemas adaptativos para
mejorar el rendimiento académico y la inteligencia artificial aplicada a la personalización del
aprendizaje. La metodología se centrará en la revisión crítica de fuentes académicas confiables como
Routledge, Springer Netherlands, John Wiley & Sons Inc., y demás, entre los años 2013 a 2024,
utilizando criterios de calidad y pertinencia para evaluar el impacto de la inteligencia artificial en el
diseño de sistemas educativos. Los resultados esperados incluyen una evaluación analítica de los
mecanismos de adaptación de estos sistemas y su capacidad para mejorar el rendimiento académico
mediante la personalización. Se prevé que los hallazgos proporcionen directrices prácticas para
optimizar el uso de IA en la educación superior.
Palabras clave: aprendizaje adaptativo;inteligencia artificial; personalización educativa; educación
superior.
1 Autor principal
Correspondencia: carmen.novoa@unad.edu.co
pág. 13867
Analysis of artificial intelligence-based adaptive learning systems in higher
education
ABSTRACT
The objective of this study is to analyze adaptive learning systems based on artificial intelligence in
higher education. The theoretical analysis is based on the articulation of concepts such as theories of
individualized learning and educational automation, adaptive systems to improve academic performance
and artificial intelligence applied to the personalization of learning. The methodology will focus on the
critical review of reliable academic sources such as Routledge, Springer Netherlands, John Wiley &
Sons Inc. and others, between the years 2013 to 2024, using quality and relevance criteria to assess the
impact of artificial intelligence in the design of educational systems. Expected results include an
analytical assessment of the adaptive mechanisms of these systems and their ability to improve academic
performance through personalization. The findings are expected to provide practical guidelines for
optimizing the use of AI in higher education.
Keywords: Adaptive learning; artificial intelligence; educational personalization; higher education
Artículo recibido 05 setiembre 2025
Aceptado para publicación: 09 octubre 2025
Analysis of artificial intelligence-based adaptive learning systems in higher
education
ABSTRACT
The objective of this study is to analyze adaptive learning systems based on artificial intelligence in
higher education. The theoretical analysis is based on the articulation of concepts such as theories of
individualized learning and educational automation, adaptive systems to improve academic performance
and artificial intelligence applied to the personalization of learning. The methodology will focus on the
critical review of reliable academic sources such as Routledge, Springer Netherlands, John Wiley &
Sons Inc. and others, between the years 2013 to 2024, using quality and relevance criteria to assess the
impact of artificial intelligence in the design of educational systems. Expected results include an
analytical assessment of the adaptive mechanisms of these systems and their ability to improve academic
performance through personalization. The findings are expected to provide practical guidelines for
optimizing the use of AI in higher education.
Keywords: Adaptive learning; artificial intelligence; educational personalization; higher education
Artículo recibido 05 setiembre 2025
Aceptado para publicación: 09 octubre 2025
pág. 13868
INTRODUCCIÓN
La inteligencia artificial ha transformado profundamente el ámbito educativo, principalmente al permitir
la personalización del aprendizaje mediante sistemas adaptativos que utilizan machine learning y deep
learning para ajustar el contenido educativo a las características individuales de los estudiantes
(Aparicio-Gómez y Aparicio-Gómez, 2024). En su investigación, diversos autores profundizan en cómo
los sistemas logran dicha personalización.
De manera complementaria, Rivera-Arzola (2021), en su estudio experimental evidenciaron mejoras en
el rendimiento académico gracias al uso de estos sistemas. Asimismo, Maffei et al. (2024) describieron
cómo la IA es capaz de identificar estilos de aprendizaje, lo que permite ajustar las estrategias
pedagógicas y optimizar el desempeño estudiantil.
Por otro lado, Kabudi et al. (2021) advierten sobre los desafíos tecnológicos y relacionados con la
formación docente que dificultan la implementación de la IA en la educación. De manera similar,
Ezzaim et al. (2024) evaluaron el uso de IA para detectar estilos de aprendizaje, logrando avances
significativos en la personalización, especialmente en el ámbito de la educación superior. A su vez,
Aguilar et al. (2022) propusieron que el análisis de datos educativos mediante IA constituye una
herramienta clave para mejorar la experiencia de aprendizaje personalizada. En ese sentido, Véliz et al.
(2021) integraron el aprendizaje adaptativo en entornos de realidad virtual, destacando cómo las
simulaciones inmersivas optimizan el proceso de personalización educativa.
Por su parte, Imhof et al. (2020) analizaron las limitaciones tecnológicas y pedagógicas que complican
la implementación de sistemas adaptativos en la educación superior. En este contexto, Ahmad et al.
(2013) desarrollaron métodos automáticos basados en IA para detectar estilos de aprendizaje en
plataformas educativas. Además, Aissaoui et al. (2019) emplearon algoritmos supervisados y no
supervisados para predecir estilos de aprendizaje, lo que permitió una mayor personalización de la
enseñanza. De igual manera, Apoki y Crisan (2022) propusieron un enfoque modular y semántico
orientado al aprendizaje personalizado a través de sistemas adaptativos en la educación superior. Por
otro lado, Ariastuti y Wahyudin (2022) investigaron la relación entre el rendimiento académico y los
estilos de aprendizaje, con el objetivo de optimizar las estrategias pedagógicas.
En otro análisis, Ríos-Rodríguez et al. (2021) exploraron cómo los ambientes adaptativos favorecen la
INTRODUCCIÓN
La inteligencia artificial ha transformado profundamente el ámbito educativo, principalmente al permitir
la personalización del aprendizaje mediante sistemas adaptativos que utilizan machine learning y deep
learning para ajustar el contenido educativo a las características individuales de los estudiantes
(Aparicio-Gómez y Aparicio-Gómez, 2024). En su investigación, diversos autores profundizan en cómo
los sistemas logran dicha personalización.
De manera complementaria, Rivera-Arzola (2021), en su estudio experimental evidenciaron mejoras en
el rendimiento académico gracias al uso de estos sistemas. Asimismo, Maffei et al. (2024) describieron
cómo la IA es capaz de identificar estilos de aprendizaje, lo que permite ajustar las estrategias
pedagógicas y optimizar el desempeño estudiantil.
Por otro lado, Kabudi et al. (2021) advierten sobre los desafíos tecnológicos y relacionados con la
formación docente que dificultan la implementación de la IA en la educación. De manera similar,
Ezzaim et al. (2024) evaluaron el uso de IA para detectar estilos de aprendizaje, logrando avances
significativos en la personalización, especialmente en el ámbito de la educación superior. A su vez,
Aguilar et al. (2022) propusieron que el análisis de datos educativos mediante IA constituye una
herramienta clave para mejorar la experiencia de aprendizaje personalizada. En ese sentido, Véliz et al.
(2021) integraron el aprendizaje adaptativo en entornos de realidad virtual, destacando cómo las
simulaciones inmersivas optimizan el proceso de personalización educativa.
Por su parte, Imhof et al. (2020) analizaron las limitaciones tecnológicas y pedagógicas que complican
la implementación de sistemas adaptativos en la educación superior. En este contexto, Ahmad et al.
(2013) desarrollaron métodos automáticos basados en IA para detectar estilos de aprendizaje en
plataformas educativas. Además, Aissaoui et al. (2019) emplearon algoritmos supervisados y no
supervisados para predecir estilos de aprendizaje, lo que permitió una mayor personalización de la
enseñanza. De igual manera, Apoki y Crisan (2022) propusieron un enfoque modular y semántico
orientado al aprendizaje personalizado a través de sistemas adaptativos en la educación superior. Por
otro lado, Ariastuti y Wahyudin (2022) investigaron la relación entre el rendimiento académico y los
estilos de aprendizaje, con el objetivo de optimizar las estrategias pedagógicas.
En otro análisis, Ríos-Rodríguez et al. (2021) exploraron cómo los ambientes adaptativos favorecen la
pág. 13869
gestión del trabajo independiente y mejoran la personalización del aprendizaje. De forma similar,
Vázquez y Navarro (2024) estudiaron los beneficios del aprendizaje adaptativo y personalizado en
entornos digitales, particularmente en la educación superior.
El análisis teórico se basa en la articulación de conceptos como teorías del aprendizaje individualizado
y automatización educativa, sistemas adaptativos para mejorar el rendimiento académico y la
inteligencia artificial aplicada a la personalización del aprendizaje. La metodología se centrará en la
revisión crítica de fuentes académicas confiables como Routledge, Springer Netherlands, John Wiley &
Sons Inc., y demás, entre los años 2013 a 2024,
utilizando criterios de calidad y pertinencia para evaluar el impacto de la inteligencia artificial en el
diseño de sistemas educativos.
El concepto de aprendizaje adaptativo ha ganado importancia en el ámbito educativo debido a la
creciente diversidad de los estudiantes en términos de habilidades, conocimientos previos y estilos de
aprendizaje. Esta diversidad complica la personalización de la enseñanza por parte de los docentes,
quienes encuentran difícil ajustar los contenidos a las necesidades de cada estudiante. En respuesta, los
sistemas adaptativos basados en IA han surgido como una solución eficaz al automatizar el ajuste de
contenidos y actividades de aprendizaje (Aparicio-Gómez y Aparicio-Gómez, 2024).
En este contexto, se plantean las siguientes preguntas problemas ¿Cómo pueden los sistemas adaptativos
mejorar la personalización del aprendizaje en la educación superior? ¿Qué ventajas ofrece la inteligencia
artificial en la creación de experiencias de aprendizaje individualizadas?
¿Cuáles son los principales desafíos en la implementación de sistemas adaptativos en las instituciones
educativas? ¿Qué impacto tiene la inteligencia artificial en el rendimiento académico de los estudiantes?
Estas preguntas se abordan en el marco del objetivo general, que es analizar los sistemas adaptativos de
aprendizaje basados en inteligencia artificial en la educación superior. Los objetivos específicos son: i)
analizar cómo los sistemas adaptativos mejoran la personalización del aprendizaje en la educación
superior; ii) identificar las ventajas que ofrece la inteligencia artificial en la creación de experiencias de
aprendizaje individualizadas; iii) determinar los principales desafíos en la implementación de sistemas
adaptativos en instituciones educativas; y iv) evaluar el impacto del uso de inteligencia artificial en el
rendimiento académico de los estudiantes.
gestión del trabajo independiente y mejoran la personalización del aprendizaje. De forma similar,
Vázquez y Navarro (2024) estudiaron los beneficios del aprendizaje adaptativo y personalizado en
entornos digitales, particularmente en la educación superior.
El análisis teórico se basa en la articulación de conceptos como teorías del aprendizaje individualizado
y automatización educativa, sistemas adaptativos para mejorar el rendimiento académico y la
inteligencia artificial aplicada a la personalización del aprendizaje. La metodología se centrará en la
revisión crítica de fuentes académicas confiables como Routledge, Springer Netherlands, John Wiley &
Sons Inc., y demás, entre los años 2013 a 2024,
utilizando criterios de calidad y pertinencia para evaluar el impacto de la inteligencia artificial en el
diseño de sistemas educativos.
El concepto de aprendizaje adaptativo ha ganado importancia en el ámbito educativo debido a la
creciente diversidad de los estudiantes en términos de habilidades, conocimientos previos y estilos de
aprendizaje. Esta diversidad complica la personalización de la enseñanza por parte de los docentes,
quienes encuentran difícil ajustar los contenidos a las necesidades de cada estudiante. En respuesta, los
sistemas adaptativos basados en IA han surgido como una solución eficaz al automatizar el ajuste de
contenidos y actividades de aprendizaje (Aparicio-Gómez y Aparicio-Gómez, 2024).
En este contexto, se plantean las siguientes preguntas problemas ¿Cómo pueden los sistemas adaptativos
mejorar la personalización del aprendizaje en la educación superior? ¿Qué ventajas ofrece la inteligencia
artificial en la creación de experiencias de aprendizaje individualizadas?
¿Cuáles son los principales desafíos en la implementación de sistemas adaptativos en las instituciones
educativas? ¿Qué impacto tiene la inteligencia artificial en el rendimiento académico de los estudiantes?
Estas preguntas se abordan en el marco del objetivo general, que es analizar los sistemas adaptativos de
aprendizaje basados en inteligencia artificial en la educación superior. Los objetivos específicos son: i)
analizar cómo los sistemas adaptativos mejoran la personalización del aprendizaje en la educación
superior; ii) identificar las ventajas que ofrece la inteligencia artificial en la creación de experiencias de
aprendizaje individualizadas; iii) determinar los principales desafíos en la implementación de sistemas
adaptativos en instituciones educativas; y iv) evaluar el impacto del uso de inteligencia artificial en el
rendimiento académico de los estudiantes.
pág. 13870
Se espera que los resultados incluyan una evaluación crítica de los mecanismos de adaptación de estos
sistemas y su capacidad para mejorar el rendimiento académico a través de la personalización. Los
hallazgos ofrecerán directrices prácticas para optimizar el uso de la inteligencia artificial en la educación
superior.
utilizando criterios de calidad y pertinencia para evaluar el impacto de la inteligencia artificial en el
diseño de sistemas educativos.
El concepto de aprendizaje adaptativo ha ganado importancia en el ámbito educativo debido a la
creciente diversidad de los estudiantes en términos de habilidades, conocimientos previos y estilos de
aprendizaje. Esta diversidad complica la personalización de la enseñanza por parte de los docentes,
quienes encuentran difícil ajustar los contenidos a las necesidades de cada estudiante. En respuesta, los
sistemas adaptativos basados en IA han surgido como una solución eficaz al automatizar el ajuste de
contenidos y actividades de aprendizaje (Aparicio-Gómez y Aparicio-Gómez, 2024).
En este contexto, se plantean las siguientes preguntas problemas ¿Cómo pueden los sistemas adaptativos
mejorar la personalización del aprendizaje en la educación superior? ¿Qué ventajas ofrece la inteligencia
artificial en la creación de experiencias de aprendizaje individualizadas?
¿Cuáles son los principales desafíos en la implementación de sistemas adaptativos en las instituciones
educativas? ¿Qué impacto tiene la inteligencia artificial en el rendimiento académico de los estudiantes?
Estas preguntas se abordan en el marco del objetivo general, que es analizar los sistemas adaptativos de
aprendizaje basados en inteligencia artificial en la educación superior. Los objetivos específicos son: i)
analizar cómo los sistemas adaptativos mejoran la personalización del aprendizaje en la educación
superior; ii) identificar las ventajas que ofrece la inteligencia artificial en la creación de experiencias de
aprendizaje individualizadas; iii) determinar los principales desafíos en la implementación de sistemas
adaptativos en instituciones educativas; y iv) evaluar el impacto del uso de inteligencia artificial en el
rendimiento académico de los estudiantes.
Se espera que los resultados incluyan una evaluación crítica de los mecanismos de adaptación de estos
sistemas y su capacidad para mejorar el rendimiento académico a través de la personalización. Los
hallazgos ofrecerán directrices prácticas para optimizar el uso de la inteligencia artificial en la educación
superior.
Se espera que los resultados incluyan una evaluación crítica de los mecanismos de adaptación de estos
sistemas y su capacidad para mejorar el rendimiento académico a través de la personalización. Los
hallazgos ofrecerán directrices prácticas para optimizar el uso de la inteligencia artificial en la educación
superior.
utilizando criterios de calidad y pertinencia para evaluar el impacto de la inteligencia artificial en el
diseño de sistemas educativos.
El concepto de aprendizaje adaptativo ha ganado importancia en el ámbito educativo debido a la
creciente diversidad de los estudiantes en términos de habilidades, conocimientos previos y estilos de
aprendizaje. Esta diversidad complica la personalización de la enseñanza por parte de los docentes,
quienes encuentran difícil ajustar los contenidos a las necesidades de cada estudiante. En respuesta, los
sistemas adaptativos basados en IA han surgido como una solución eficaz al automatizar el ajuste de
contenidos y actividades de aprendizaje (Aparicio-Gómez y Aparicio-Gómez, 2024).
En este contexto, se plantean las siguientes preguntas problemas ¿Cómo pueden los sistemas adaptativos
mejorar la personalización del aprendizaje en la educación superior? ¿Qué ventajas ofrece la inteligencia
artificial en la creación de experiencias de aprendizaje individualizadas?
¿Cuáles son los principales desafíos en la implementación de sistemas adaptativos en las instituciones
educativas? ¿Qué impacto tiene la inteligencia artificial en el rendimiento académico de los estudiantes?
Estas preguntas se abordan en el marco del objetivo general, que es analizar los sistemas adaptativos de
aprendizaje basados en inteligencia artificial en la educación superior. Los objetivos específicos son: i)
analizar cómo los sistemas adaptativos mejoran la personalización del aprendizaje en la educación
superior; ii) identificar las ventajas que ofrece la inteligencia artificial en la creación de experiencias de
aprendizaje individualizadas; iii) determinar los principales desafíos en la implementación de sistemas
adaptativos en instituciones educativas; y iv) evaluar el impacto del uso de inteligencia artificial en el
rendimiento académico de los estudiantes.
Se espera que los resultados incluyan una evaluación crítica de los mecanismos de adaptación de estos
sistemas y su capacidad para mejorar el rendimiento académico a través de la personalización. Los
hallazgos ofrecerán directrices prácticas para optimizar el uso de la inteligencia artificial en la educación
superior.
pág. 13871
MARCO TEORICO
Teorías del Aprendizaje Individualizado y Automatización Educativa
El enfoque del aprendizaje individualizado ha tomado una relevancia crucial en las últimas décadas,
especialmente con el auge de tecnologías educativas basadas en inteligencia artificial (IA). Este
paradigma parte de la premisa de que cada individuo construye su propio conocimiento de manera única
y que las experiencias de aprendizaje deben ser adaptadas a las necesidades específicas de cada
estudiante. Las teorías del aprendizaje individualizado proponen que el proceso educativo debe centrarse
en el estudiante, reconociendo sus ritmos, intereses y habilidades como elementos clave para la
adquisición efectiva del conocimiento. Este enfoque se ve profundamente reforzado por la
automatización educativa, que, mediante el uso de algoritmos avanzados, puede ofrecer una
personalización que excede las capacidades de los métodos tradicionales (Xie et al., 2019).
El constructivismo es una de las bases teóricas más influyentes en el aprendizaje individualizado. Desde
la perspectiva constructivista, se entiende que el aprendizaje es un proceso activo en el que el individuo
interpreta y da sentido a la información basándose en sus experiencias previas y conocimientos
adquiridos. Según Olson y Ramírez (2020), esta teoría sugiere que el conocimiento no es transferido
pasivamente del entorno al estudiante, sino que es activamente construido por el aprendiz a través de su
interacción con el mundo. En un entorno educativo automatizado, esta construcción del conocimiento
puede ser guiada y facilitada por sistemas inteligentes que ajustan el contenido y las actividades de
acuerdo con el progreso y las respuestas del estudiante. Estos sistemas permiten que el estudiante avance
a su propio ritmo, fortaleciendo así la experiencia de aprendizaje individual.
En el contexto de la automatización educativa, la inteligencia artificial ha dado lugar a lo que se conoce
como aprendizaje adaptativo. El aprendizaje adaptativo utiliza algoritmos para monitorear
continuamente el rendimiento del estudiante y adaptar las actividades y los recursos educativos en
tiempo real. Este enfoque ha demostrado ser altamente eficaz en mejorar el rendimiento académico de
los estudiantes al proporcionar un nivel de personalización que sería imposible de replicar de manera
manual (Xie et al., 2019). La automatización permite que los sistemas educativos identifiquen áreas de
debilidad y fortaleza en cada estudiante, ajustando los contenidos para maximizar el aprendizaje
efectivo. Así, el aprendizaje individualizado, facilitado por la IA, permite que los estudiantes reciban
MARCO TEORICO
Teorías del Aprendizaje Individualizado y Automatización Educativa
El enfoque del aprendizaje individualizado ha tomado una relevancia crucial en las últimas décadas,
especialmente con el auge de tecnologías educativas basadas en inteligencia artificial (IA). Este
paradigma parte de la premisa de que cada individuo construye su propio conocimiento de manera única
y que las experiencias de aprendizaje deben ser adaptadas a las necesidades específicas de cada
estudiante. Las teorías del aprendizaje individualizado proponen que el proceso educativo debe centrarse
en el estudiante, reconociendo sus ritmos, intereses y habilidades como elementos clave para la
adquisición efectiva del conocimiento. Este enfoque se ve profundamente reforzado por la
automatización educativa, que, mediante el uso de algoritmos avanzados, puede ofrecer una
personalización que excede las capacidades de los métodos tradicionales (Xie et al., 2019).
El constructivismo es una de las bases teóricas más influyentes en el aprendizaje individualizado. Desde
la perspectiva constructivista, se entiende que el aprendizaje es un proceso activo en el que el individuo
interpreta y da sentido a la información basándose en sus experiencias previas y conocimientos
adquiridos. Según Olson y Ramírez (2020), esta teoría sugiere que el conocimiento no es transferido
pasivamente del entorno al estudiante, sino que es activamente construido por el aprendiz a través de su
interacción con el mundo. En un entorno educativo automatizado, esta construcción del conocimiento
puede ser guiada y facilitada por sistemas inteligentes que ajustan el contenido y las actividades de
acuerdo con el progreso y las respuestas del estudiante. Estos sistemas permiten que el estudiante avance
a su propio ritmo, fortaleciendo así la experiencia de aprendizaje individual.
En el contexto de la automatización educativa, la inteligencia artificial ha dado lugar a lo que se conoce
como aprendizaje adaptativo. El aprendizaje adaptativo utiliza algoritmos para monitorear
continuamente el rendimiento del estudiante y adaptar las actividades y los recursos educativos en
tiempo real. Este enfoque ha demostrado ser altamente eficaz en mejorar el rendimiento académico de
los estudiantes al proporcionar un nivel de personalización que sería imposible de replicar de manera
manual (Xie et al., 2019). La automatización permite que los sistemas educativos identifiquen áreas de
debilidad y fortaleza en cada estudiante, ajustando los contenidos para maximizar el aprendizaje
efectivo. Así, el aprendizaje individualizado, facilitado por la IA, permite que los estudiantes reciban
pág. 13872
exactamente el tipo de instrucción que necesitan en cada momento, algo que, según Olson y Ramírez
(2020), se alinea con los principios del constructivismo.
La automatización educativa también encuentra apoyo en la teoría del procesamiento de la información,
que ve el aprendizaje como un proceso en el que el individuo codifica, almacena y recupera información
de manera activa. Esta teoría, desarrollada en el marco de la psicología cognitiva, establece que el
aprendizaje es más efectivo cuando los estudiantes pueden organizar la información de manera
coherente y cuando se les brinda la oportunidad de practicar su recuperación (Betancur-Chicué y García-
Valcárcel, 2023). En este sentido, los sistemas automatizados pueden desempeñar un papel fundamental
al proporcionar retroalimentación inmediata, lo que facilita la corrección de errores y la consolidación
del conocimiento. A través de la automatización, se pueden diseñar experiencias de aprendizaje que no
solo presenten el contenido de manera adecuada, sino que también guíen a los estudiantes en la práctica
constante y personalizada de las habilidades adquiridas, incrementando así la retención y el dominio del
material.
Otra teoría relevante es la del aprendizaje significativo de Ausubel presentada por Moncini y Pirela
(2021), que sostiene que la clave para un aprendizaje efectivo radica en la integración de nueva
información con el conocimiento preexistente del estudiante. En este contexto, la automatización
educativa puede jugar un papel importante al adaptar los contenidos y las actividades de acuerdo con el
nivel de conocimiento previo de cada estudiante (Rani et al., 2024). Los sistemas automatizados,
mediante el análisis de grandes cantidades de datos, pueden evaluar con precisión el estado actual del
conocimiento de un estudiante y ajustar la secuencia de enseñanza para asegurar que la nueva
información se presente de manera que sea significativa para ese individuo. Este enfoque no solo facilita
el aprendizaje, sino que también evita la sobrecarga cognitiva, ya que los sistemas pueden evitar la
presentación de información innecesaria o repetitiva para estudiantes que ya dominan ciertos conceptos.
Por su parte, la teoría del aprendizaje autodirigido también encuentra un espacio de aplicación en el
aprendizaje automatizado. Según esta teoría, los individuos aprenden mejor cuando tienen control sobre
su propio proceso de aprendizaje, lo que incluye la posibilidad de elegir qué aprender, cómo y cuándo
aprenderlo (Brown y Palincsar, 2018). La automatización educativa puede facilitar este tipo de
aprendizaje al proporcionar plataformas en las que los estudiantes pueden explorar diferentes rutas de
exactamente el tipo de instrucción que necesitan en cada momento, algo que, según Olson y Ramírez
(2020), se alinea con los principios del constructivismo.
La automatización educativa también encuentra apoyo en la teoría del procesamiento de la información,
que ve el aprendizaje como un proceso en el que el individuo codifica, almacena y recupera información
de manera activa. Esta teoría, desarrollada en el marco de la psicología cognitiva, establece que el
aprendizaje es más efectivo cuando los estudiantes pueden organizar la información de manera
coherente y cuando se les brinda la oportunidad de practicar su recuperación (Betancur-Chicué y García-
Valcárcel, 2023). En este sentido, los sistemas automatizados pueden desempeñar un papel fundamental
al proporcionar retroalimentación inmediata, lo que facilita la corrección de errores y la consolidación
del conocimiento. A través de la automatización, se pueden diseñar experiencias de aprendizaje que no
solo presenten el contenido de manera adecuada, sino que también guíen a los estudiantes en la práctica
constante y personalizada de las habilidades adquiridas, incrementando así la retención y el dominio del
material.
Otra teoría relevante es la del aprendizaje significativo de Ausubel presentada por Moncini y Pirela
(2021), que sostiene que la clave para un aprendizaje efectivo radica en la integración de nueva
información con el conocimiento preexistente del estudiante. En este contexto, la automatización
educativa puede jugar un papel importante al adaptar los contenidos y las actividades de acuerdo con el
nivel de conocimiento previo de cada estudiante (Rani et al., 2024). Los sistemas automatizados,
mediante el análisis de grandes cantidades de datos, pueden evaluar con precisión el estado actual del
conocimiento de un estudiante y ajustar la secuencia de enseñanza para asegurar que la nueva
información se presente de manera que sea significativa para ese individuo. Este enfoque no solo facilita
el aprendizaje, sino que también evita la sobrecarga cognitiva, ya que los sistemas pueden evitar la
presentación de información innecesaria o repetitiva para estudiantes que ya dominan ciertos conceptos.
Por su parte, la teoría del aprendizaje autodirigido también encuentra un espacio de aplicación en el
aprendizaje automatizado. Según esta teoría, los individuos aprenden mejor cuando tienen control sobre
su propio proceso de aprendizaje, lo que incluye la posibilidad de elegir qué aprender, cómo y cuándo
aprenderlo (Brown y Palincsar, 2018). La automatización educativa puede facilitar este tipo de
aprendizaje al proporcionar plataformas en las que los estudiantes pueden explorar diferentes rutas de
pág. 13873
aprendizaje de manera autónoma. Los sistemas adaptativos permiten que los estudiantes controlen el
ritmo de su progreso, decidiendo cuándo avanzar o regresar a un tema, basándose en su comprensión
del material. Esto, a su vez, promueve una mayor motivación intrínseca, ya que los estudiantes se sienten
empoderados al tener un papel activo en su propio proceso educativo (Chiu et al., 2023).
Sin embargo, no todos los aspectos del aprendizaje individualizado automatizado han sido
universalmente aclamados. Algunos críticos señalan que, a pesar de los avances tecnológicos, la
automatización puede carecer de la sensibilidad y el entendimiento emocional que los educadores
humanos aportan al aula. Según Villamañe y Álvarez (2024), la automatización educativa debe diseñarse
cuidadosamente para no reemplazar completamente la interacción humana, sino para complementarla.
Aunque los sistemas de IA pueden adaptarse a las necesidades cognitivas del estudiante, aún no son
capaces de captar los matices emocionales y sociales que influyen en el aprendizaje. Por lo tanto, es
esencial que los sistemas automatizados se implementen como un apoyo adicional al docente, quien
sigue desempeñando un rol crucial en la motivación y el desarrollo integral del estudiante.
A pesar de estos desafíos, los avances en inteligencia artificial y automatización educativa han dado
lugar a una nueva era de personalización en la educación, lo que refuerza la efectividad de las teorías de
aprendizaje individualizado. Como indican Dalgıç et al. (2024), la combinación de IA con enfoques de
aprendizaje personalizado permite la creación de experiencias educativas que son más receptivas a las
diferencias individuales entre los estudiantes. En su estudio sobre los resultados del aprendizaje en
educación turística, estos autores demuestran cómo el uso de tecnologías como ChatGPT puede mejorar
la comprensión y retención de los contenidos,especialmente cuando se implementan en entornos donde
los estudiantes tienen altos niveles de alfabetización digital.
La automatización educativa no solo ha ampliado el alcance de las teorías del aprendizaje
individualizado, sino que ha permitido la aplicación práctica de estas teorías en una escala sin
precedentes. De acuerdo con la teoría del procesamiento de la información, la retroalimentación
inmediata mejora la codificación y el almacenamiento de nueva información, facilitando su recuperación
posterior (Betancur-Chicué y García-Valcárcel, 2023). En un entorno automatizado, esta
retroalimentación se proporciona de manera constante y precisa, ajustándose al desempeño de cada
estudiante y permitiéndole corregir errores o profundizar en conceptos específicos cuando sea necesario.
aprendizaje de manera autónoma. Los sistemas adaptativos permiten que los estudiantes controlen el
ritmo de su progreso, decidiendo cuándo avanzar o regresar a un tema, basándose en su comprensión
del material. Esto, a su vez, promueve una mayor motivación intrínseca, ya que los estudiantes se sienten
empoderados al tener un papel activo en su propio proceso educativo (Chiu et al., 2023).
Sin embargo, no todos los aspectos del aprendizaje individualizado automatizado han sido
universalmente aclamados. Algunos críticos señalan que, a pesar de los avances tecnológicos, la
automatización puede carecer de la sensibilidad y el entendimiento emocional que los educadores
humanos aportan al aula. Según Villamañe y Álvarez (2024), la automatización educativa debe diseñarse
cuidadosamente para no reemplazar completamente la interacción humana, sino para complementarla.
Aunque los sistemas de IA pueden adaptarse a las necesidades cognitivas del estudiante, aún no son
capaces de captar los matices emocionales y sociales que influyen en el aprendizaje. Por lo tanto, es
esencial que los sistemas automatizados se implementen como un apoyo adicional al docente, quien
sigue desempeñando un rol crucial en la motivación y el desarrollo integral del estudiante.
A pesar de estos desafíos, los avances en inteligencia artificial y automatización educativa han dado
lugar a una nueva era de personalización en la educación, lo que refuerza la efectividad de las teorías de
aprendizaje individualizado. Como indican Dalgıç et al. (2024), la combinación de IA con enfoques de
aprendizaje personalizado permite la creación de experiencias educativas que son más receptivas a las
diferencias individuales entre los estudiantes. En su estudio sobre los resultados del aprendizaje en
educación turística, estos autores demuestran cómo el uso de tecnologías como ChatGPT puede mejorar
la comprensión y retención de los contenidos,especialmente cuando se implementan en entornos donde
los estudiantes tienen altos niveles de alfabetización digital.
La automatización educativa no solo ha ampliado el alcance de las teorías del aprendizaje
individualizado, sino que ha permitido la aplicación práctica de estas teorías en una escala sin
precedentes. De acuerdo con la teoría del procesamiento de la información, la retroalimentación
inmediata mejora la codificación y el almacenamiento de nueva información, facilitando su recuperación
posterior (Betancur-Chicué y García-Valcárcel, 2023). En un entorno automatizado, esta
retroalimentación se proporciona de manera constante y precisa, ajustándose al desempeño de cada
estudiante y permitiéndole corregir errores o profundizar en conceptos específicos cuando sea necesario.
pág. 13874
Este tipo de personalización se vuelve particularmente efectivo en áreas donde el progreso secuencial
es crucial, como las matemáticas, las ciencias y el aprendizaje de idiomas.
Los sistemas adaptativos, a través de la inteligencia artificial, monitorizan de forma continua el progreso
del estudiante y ajustan la dificultad, la secuencia de contenido y el tipo de actividades para optimizar
la experiencia educativa. Esto permite que los estudiantes más avanzados avancen rápidamente,
mientras que aquellos que presentan dificultades pueden recibir apoyo adicional sin la necesidad de
intervención directa por parte de un docente (Xie et al., 2019). Este enfoque se alinea con los principios
del aprendizaje individualizado, que reconocen que los estudiantes tienen diferentes estilos de
aprendizaje, ritmos y necesidades. El aprendizaje adaptativo asegura que cada estudiante reciba la
instrucción que mejor se adapta a su perfil cognitivo, lo que maximiza la eficiencia del proceso
educativo.
Otra de las teorías fundamentales es la de carga cognitiva, formulada por Betancur-Chicué y García-
Valcárcel (2023), postula que la capacidad de procesamiento de la memoria de trabajo es limitada y que
el aprendizaje efectivo depende de la optimización de esta capacidad. En este sentido, los sistemas
automatizados pueden jugar un papel crucial, ya que son capaces de ajustar la cantidad y el tipo de
información presentada a un estudiante para evitar la sobrecarga cognitiva. Al adaptar la cantidad de
material presentado y proporcionar apoyo gradual a través de actividades específicas, estos sistemas
permiten que los estudiantes procesen la información de manera más eficiente y eviten la saturación
mental, lo que a su vez mejora la retención y el rendimiento académico.
Un ejemplo práctico de cómo los sistemas automatizados pueden optimizar la carga cognitiva es el uso
de plataformas de tutoría inteligente. Estas plataformas emplean algoritmos que analizan el
comportamiento del estudiante y proporcionan instrucciones, sugerencias y correcciones en tiempo real,
ajustándose a su nivel de competencia. Al reducir la carga extrínseca —aquella información irrelevante
o mal estructurada que puede interferir con el aprendizaje—, las plataformas automatizadas permiten
que los estudiantes se concentren en los aspectos más relevantes y significativos del contenido
(Betancur-Chicué y García-Valcárcel, 2023). Esta capacidad de ajustar la instrucción según la carga
cognitiva es un ejemplo claro de cómo la automatización educativa puede mejorar la eficiencia del
aprendizaje individualizado.
Este tipo de personalización se vuelve particularmente efectivo en áreas donde el progreso secuencial
es crucial, como las matemáticas, las ciencias y el aprendizaje de idiomas.
Los sistemas adaptativos, a través de la inteligencia artificial, monitorizan de forma continua el progreso
del estudiante y ajustan la dificultad, la secuencia de contenido y el tipo de actividades para optimizar
la experiencia educativa. Esto permite que los estudiantes más avanzados avancen rápidamente,
mientras que aquellos que presentan dificultades pueden recibir apoyo adicional sin la necesidad de
intervención directa por parte de un docente (Xie et al., 2019). Este enfoque se alinea con los principios
del aprendizaje individualizado, que reconocen que los estudiantes tienen diferentes estilos de
aprendizaje, ritmos y necesidades. El aprendizaje adaptativo asegura que cada estudiante reciba la
instrucción que mejor se adapta a su perfil cognitivo, lo que maximiza la eficiencia del proceso
educativo.
Otra de las teorías fundamentales es la de carga cognitiva, formulada por Betancur-Chicué y García-
Valcárcel (2023), postula que la capacidad de procesamiento de la memoria de trabajo es limitada y que
el aprendizaje efectivo depende de la optimización de esta capacidad. En este sentido, los sistemas
automatizados pueden jugar un papel crucial, ya que son capaces de ajustar la cantidad y el tipo de
información presentada a un estudiante para evitar la sobrecarga cognitiva. Al adaptar la cantidad de
material presentado y proporcionar apoyo gradual a través de actividades específicas, estos sistemas
permiten que los estudiantes procesen la información de manera más eficiente y eviten la saturación
mental, lo que a su vez mejora la retención y el rendimiento académico.
Un ejemplo práctico de cómo los sistemas automatizados pueden optimizar la carga cognitiva es el uso
de plataformas de tutoría inteligente. Estas plataformas emplean algoritmos que analizan el
comportamiento del estudiante y proporcionan instrucciones, sugerencias y correcciones en tiempo real,
ajustándose a su nivel de competencia. Al reducir la carga extrínseca —aquella información irrelevante
o mal estructurada que puede interferir con el aprendizaje—, las plataformas automatizadas permiten
que los estudiantes se concentren en los aspectos más relevantes y significativos del contenido
(Betancur-Chicué y García-Valcárcel, 2023). Esta capacidad de ajustar la instrucción según la carga
cognitiva es un ejemplo claro de cómo la automatización educativa puede mejorar la eficiencia del
aprendizaje individualizado.
pág. 13875
La teoría del aprendizaje autodirigido, desarrollada en el estudio de Brown y Palincsar (2018), sostiene
que los estudiantes aprenden de manera más efectiva cuando tienen el control sobre su propio proceso
de aprendizaje. Este enfoque enfatiza la importancia de la autonomía del estudiante en la selección de
contenidos, métodos y tiempos de estudio, algo que ha sido facilitado en gran medida por la
automatización educativa. Las plataformas automatizadas permiten que los estudiantes elijan sus rutas
de aprendizaje, proporcionando acceso a recursos personalizados y permitiendo que cada uno avance a
su propio ritmo. En este sentido, la automatización no solo personaliza la instrucción, sino que también
empodera a los estudiantes, permitiéndoles tomar decisiones informadas sobre su proceso de
aprendizaje.
La capacidad de los sistemas automatizados para fomentar el aprendizaje autodirigido se ha demostrado
en múltiples estudios. De acuerdo con Chiu et al. (2023), las tecnologías basadas en IA, como los
chatbots educativos, pueden facilitar el aprendizaje autodirigido al proporcionar acceso inmediato a
respuestas, retroalimentación y recursos personalizados. Esto permite que los estudiantes exploren temas
de manera autónoma, profundizando en áreas de interés particular sin depender exclusivamente de la
intervención del docente. La retroalimentación automática e instantánea fomenta un entorno donde el
estudiante puede experimentar, cometer errores y aprender de ellos sin las barreras que tradicionalmente
ralentizan el proceso de aprendizaje.
En el mismo contexto, la automatización educativa también permite una mayor flexibilidad en la
evaluación, facilitando un seguimiento más preciso y constante del progreso de cada estudiante (Cooper,
2023). Los sistemas automatizados pueden generar evaluaciones adaptativas que se ajustan al nivel de
competencia del estudiante, lo que no solo permite una evaluación más justa, sino que también ofrece
oportunidades de aprendizaje dentro del mismo proceso de evaluación. Estas evaluaciones adaptativas
son una manifestación concreta de las teorías del aprendizaje individualizado, ya que cada estudiante es
evaluado de acuerdo con su nivel de desarrollo, evitando tanto la frustración de exámenes demasiado
difíciles como la falta de motivación asociada a tareas demasiado sencillas (Xie et al., 2019).
Otra teoría relevante que se ve potenciada por la automatización educativa es la teoría del aprendizaje
por descubrimiento. Este enfoque, defendido por Mezirow (2018), sostiene que los estudiantes aprenden
de manera más eficaz cuando se les permite descubrir principios y conceptos por sí mismos, en lugar de
La teoría del aprendizaje autodirigido, desarrollada en el estudio de Brown y Palincsar (2018), sostiene
que los estudiantes aprenden de manera más efectiva cuando tienen el control sobre su propio proceso
de aprendizaje. Este enfoque enfatiza la importancia de la autonomía del estudiante en la selección de
contenidos, métodos y tiempos de estudio, algo que ha sido facilitado en gran medida por la
automatización educativa. Las plataformas automatizadas permiten que los estudiantes elijan sus rutas
de aprendizaje, proporcionando acceso a recursos personalizados y permitiendo que cada uno avance a
su propio ritmo. En este sentido, la automatización no solo personaliza la instrucción, sino que también
empodera a los estudiantes, permitiéndoles tomar decisiones informadas sobre su proceso de
aprendizaje.
La capacidad de los sistemas automatizados para fomentar el aprendizaje autodirigido se ha demostrado
en múltiples estudios. De acuerdo con Chiu et al. (2023), las tecnologías basadas en IA, como los
chatbots educativos, pueden facilitar el aprendizaje autodirigido al proporcionar acceso inmediato a
respuestas, retroalimentación y recursos personalizados. Esto permite que los estudiantes exploren temas
de manera autónoma, profundizando en áreas de interés particular sin depender exclusivamente de la
intervención del docente. La retroalimentación automática e instantánea fomenta un entorno donde el
estudiante puede experimentar, cometer errores y aprender de ellos sin las barreras que tradicionalmente
ralentizan el proceso de aprendizaje.
En el mismo contexto, la automatización educativa también permite una mayor flexibilidad en la
evaluación, facilitando un seguimiento más preciso y constante del progreso de cada estudiante (Cooper,
2023). Los sistemas automatizados pueden generar evaluaciones adaptativas que se ajustan al nivel de
competencia del estudiante, lo que no solo permite una evaluación más justa, sino que también ofrece
oportunidades de aprendizaje dentro del mismo proceso de evaluación. Estas evaluaciones adaptativas
son una manifestación concreta de las teorías del aprendizaje individualizado, ya que cada estudiante es
evaluado de acuerdo con su nivel de desarrollo, evitando tanto la frustración de exámenes demasiado
difíciles como la falta de motivación asociada a tareas demasiado sencillas (Xie et al., 2019).
Otra teoría relevante que se ve potenciada por la automatización educativa es la teoría del aprendizaje
por descubrimiento. Este enfoque, defendido por Mezirow (2018), sostiene que los estudiantes aprenden
de manera más eficaz cuando se les permite descubrir principios y conceptos por sí mismos, en lugar de
pág. 13876
recibir información de manera directa. La automatización educativa ha facilitado la creación de entornos
de aprendizaje en los que los estudiantes pueden explorar contenidos de manera autónoma, descubriendo
nuevas ideas y conceptos a través de actividades interactivas y simulaciones (Dalgıç et al., 2024). Los
sistemas automatizados pueden guiar este proceso de descubrimiento, ajustando las pistas y el contenido
según la interacción del estudiante, lo que permite una experiencia de aprendizaje más personalizada y
eficaz.
El aprendizaje automatizado también ha impactado de manera significativa en la educación superior,
especialmente en áreas técnicas y científicas. En este sentido, De Oliveira et al. (2024) demostraron
cómo la automatización de equipos de laboratorio para la enseñanza de la ingeniería permitió a los
estudiantes realizar experimentos con mayor precisión y control. Este enfoque no solo mejora la calidad
de la formación práctica, sino que también permite una mayor personalización de las actividades de
laboratorio, ya que los estudiantes pueden realizar pruebas adaptadas a sus niveles de competencia y
necesidades de aprendizaje (Chiu et al., 2023). Esta personalización es crucial para el aprendizaje en
disciplinas donde la práctica y la experimentación son esenciales para la adquisición de habilidades.
La automatización educativa también ha tenido un impacto notable en la educación en línea, donde las
plataformas de aprendizaje automatizadas permiten a los estudiantes acceder a cursos y materiales
adaptados a sus necesidades. En particular, el uso de algoritmos de aprendizaje automático ha mejorado
la capacidad de las plataformas de aprendizaje en línea para adaptarse a los estilos y ritmos de
aprendizaje de los estudiantes, permitiendo un nivel de personalización sin precedentes (Chiu et al.,
2023). Estas plataformas pueden analizar grandes cantidades de datos sobre el comportamiento de los
estudiantes para proporcionar recomendaciones personalizadas sobre qué materiales estudiar, qué
ejercicios realizar y cómo mejorar su rendimiento. Según Dalgıç et al. (2024), estas tecnologías permiten
a los estudiantes acceder a una educación más flexible y adaptada a sus necesidades, lo que es
especialmente valioso en contextos donde los estudiantes tienen diferentes niveles de competencia y
disponibilidad de tiempo.
No obstante, a pesar de los claros beneficios que ofrece la automatización educativa, también es
importante reconocer las limitaciones inherentes a estos sistemas. Como señalan Villamañe y Álvarez
(2024), la automatización educativa debe diseñarse de manera que complemente el proceso de
recibir información de manera directa. La automatización educativa ha facilitado la creación de entornos
de aprendizaje en los que los estudiantes pueden explorar contenidos de manera autónoma, descubriendo
nuevas ideas y conceptos a través de actividades interactivas y simulaciones (Dalgıç et al., 2024). Los
sistemas automatizados pueden guiar este proceso de descubrimiento, ajustando las pistas y el contenido
según la interacción del estudiante, lo que permite una experiencia de aprendizaje más personalizada y
eficaz.
El aprendizaje automatizado también ha impactado de manera significativa en la educación superior,
especialmente en áreas técnicas y científicas. En este sentido, De Oliveira et al. (2024) demostraron
cómo la automatización de equipos de laboratorio para la enseñanza de la ingeniería permitió a los
estudiantes realizar experimentos con mayor precisión y control. Este enfoque no solo mejora la calidad
de la formación práctica, sino que también permite una mayor personalización de las actividades de
laboratorio, ya que los estudiantes pueden realizar pruebas adaptadas a sus niveles de competencia y
necesidades de aprendizaje (Chiu et al., 2023). Esta personalización es crucial para el aprendizaje en
disciplinas donde la práctica y la experimentación son esenciales para la adquisición de habilidades.
La automatización educativa también ha tenido un impacto notable en la educación en línea, donde las
plataformas de aprendizaje automatizadas permiten a los estudiantes acceder a cursos y materiales
adaptados a sus necesidades. En particular, el uso de algoritmos de aprendizaje automático ha mejorado
la capacidad de las plataformas de aprendizaje en línea para adaptarse a los estilos y ritmos de
aprendizaje de los estudiantes, permitiendo un nivel de personalización sin precedentes (Chiu et al.,
2023). Estas plataformas pueden analizar grandes cantidades de datos sobre el comportamiento de los
estudiantes para proporcionar recomendaciones personalizadas sobre qué materiales estudiar, qué
ejercicios realizar y cómo mejorar su rendimiento. Según Dalgıç et al. (2024), estas tecnologías permiten
a los estudiantes acceder a una educación más flexible y adaptada a sus necesidades, lo que es
especialmente valioso en contextos donde los estudiantes tienen diferentes niveles de competencia y
disponibilidad de tiempo.
No obstante, a pesar de los claros beneficios que ofrece la automatización educativa, también es
importante reconocer las limitaciones inherentes a estos sistemas. Como señalan Villamañe y Álvarez
(2024), la automatización educativa debe diseñarse de manera que complemente el proceso de
pág. 13877
enseñanza, sin sustituir completamente la intervención humana. Aunque los sistemas automatizados
pueden proporcionar una personalización efectiva, aún carecen de la capacidad para captar las sutilezas
emocionales y sociales que son fundamentales para el aprendizaje (Perrotta & Selwyn, 2020). Es por
ello que, para maximizar el potencial de la automatización, es necesario que estos sistemas trabajen en
conjunto con los educadores, quienes pueden proporcionar el apoyo emocional y social necesario para
fomentar un entorno de aprendizaje integral (Olson & Ramírez, 2020).
Finalmente, la integración de la IA en la educación plantea importantes cuestiones éticas. La
recopilación y el análisis de grandes cantidades de datos de los estudiantes plantea preocupaciones sobre
la privacidad y el uso adecuado de la información. Es esencial que las instituciones educativas
implementen políticas claras y transparentes sobre el uso de datos, garantizando que la automatización
educativa respete los derechos de los estudiantes y mantenga altos estándares de confidencialidad y
seguridad (Williamson & Eynon, 2020). Además, es fundamental que los sistemas de IA sean diseñados
para ser inclusivos, asegurando que todos los estudiantes, independientemente de sus habilidades o
antecedentes, se beneficien de las ventajas de la automatización.
Sistemas Adaptativos para Mejorar el Rendimiento Académico
Los sistemas adaptativos han revolucionado la educación, abordando la necesidad crucial de
personalizar el aprendizaje en función de las características y necesidades de cada estudiante. Esta
personalización, fundamental para mejorar el rendimiento académico, ha encontrado un contexto
propicio durante la pandemia de COVID-19, que aceleró la implementación de tecnologías disruptivas
en el ámbito educativo. En Ontario, Canadá, Van Nuland et al. (2020) explican cómo los sistemas
educativos, enfrentados a una crisis sin precedentes, adoptaron un enfoque basado en los principios de
los sistemas adaptativos complejos. Estos sistemas, que responden dinámicamente a situaciones
impredecibles, permitieron que las instituciones educativas se adaptaran rápidamente a la enseñanza a
distancia, a la vez que ofrecían soluciones para la falta de conectividad y la capacitación de los docentes.
Del mismo modo, Sabeima et al. (2022) coinciden en que la adaptabilidad es clave en entornos
educativos emergentes, donde el aprendizaje personalizado puede mantener a los estudiantes
comprometidos y en constante progreso, un enfoque similar al mencionado por Aguilar et al. (2022),
quienes enfatizan que el análisis de estilos de aprendizaje mediante IA también optimiza la
enseñanza, sin sustituir completamente la intervención humana. Aunque los sistemas automatizados
pueden proporcionar una personalización efectiva, aún carecen de la capacidad para captar las sutilezas
emocionales y sociales que son fundamentales para el aprendizaje (Perrotta & Selwyn, 2020). Es por
ello que, para maximizar el potencial de la automatización, es necesario que estos sistemas trabajen en
conjunto con los educadores, quienes pueden proporcionar el apoyo emocional y social necesario para
fomentar un entorno de aprendizaje integral (Olson & Ramírez, 2020).
Finalmente, la integración de la IA en la educación plantea importantes cuestiones éticas. La
recopilación y el análisis de grandes cantidades de datos de los estudiantes plantea preocupaciones sobre
la privacidad y el uso adecuado de la información. Es esencial que las instituciones educativas
implementen políticas claras y transparentes sobre el uso de datos, garantizando que la automatización
educativa respete los derechos de los estudiantes y mantenga altos estándares de confidencialidad y
seguridad (Williamson & Eynon, 2020). Además, es fundamental que los sistemas de IA sean diseñados
para ser inclusivos, asegurando que todos los estudiantes, independientemente de sus habilidades o
antecedentes, se beneficien de las ventajas de la automatización.
Sistemas Adaptativos para Mejorar el Rendimiento Académico
Los sistemas adaptativos han revolucionado la educación, abordando la necesidad crucial de
personalizar el aprendizaje en función de las características y necesidades de cada estudiante. Esta
personalización, fundamental para mejorar el rendimiento académico, ha encontrado un contexto
propicio durante la pandemia de COVID-19, que aceleró la implementación de tecnologías disruptivas
en el ámbito educativo. En Ontario, Canadá, Van Nuland et al. (2020) explican cómo los sistemas
educativos, enfrentados a una crisis sin precedentes, adoptaron un enfoque basado en los principios de
los sistemas adaptativos complejos. Estos sistemas, que responden dinámicamente a situaciones
impredecibles, permitieron que las instituciones educativas se adaptaran rápidamente a la enseñanza a
distancia, a la vez que ofrecían soluciones para la falta de conectividad y la capacitación de los docentes.
Del mismo modo, Sabeima et al. (2022) coinciden en que la adaptabilidad es clave en entornos
educativos emergentes, donde el aprendizaje personalizado puede mantener a los estudiantes
comprometidos y en constante progreso, un enfoque similar al mencionado por Aguilar et al. (2022),
quienes enfatizan que el análisis de estilos de aprendizaje mediante IA también optimiza la
pág. 13878
personalización en ambientes educativos diversos. Este enfoque adaptativo subraya la importancia de
diseñar procesos flexibles, capaces de ajustarse no solo a las demandas del entorno, sino también a las
particularidades de cada estudiante (Aparicio-Gómez & Aparicio-Gómez, 2024).
La personalización en el aprendizaje, considerada un pilar fundamental por los grandes innovadores del
mundo educativo, va más allá de la simple adaptación de contenidos. Por lo que, Sabeima et al. (2022)
destacan cómo los sistemas de recomendación educativa han avanzado en los entornos de e-learning,
proporcionando a los estudiantes rutas de aprendizaje ajustadas a sus habilidades, metas y disponibilidad
de tiempo. Similarmente, Choi y McClenen (2020) detallan cómo la IA aplicada en sistemas adaptativos
permite ajustar dinámicamente los ítems y pruebas según las capacidades del estudiante, mejorando
tanto la retroalimentación como la personalización de los contenidos. Esta convergencia de tecnologías
adaptativas es fundamental en un contexto en el que la inteligencia artificial ha facilitado avances en la
educación digital, permitiendo que los estudiantes y docentes optimicen sus experiencias de enseñanza
y aprendizaje (Alam, 2022; Ríos-Rodríguez et al., 2021). Estos sistemas no solo motivan a los
estudiantes a seguir aprendiendo, sino que optimizan el proceso educativo al maximizar su potencial
individual. Un buen ejemplo de esta estrategia es cómo grandes corporaciones tecnológicas, como
Google y Microsoft, han invertido en plataformas de educación adaptativa para asegurar que sus
empleados y estudiantes de todo el mundo accedan a una formación personalizada.
Esta atención al detalle en el diseño de rutas de aprendizaje ha sido clave en el éxito de los sistemas
adaptativos, proporcionando un entorno donde el aprendizaje puede ser eficiente, atractivo y, sobre todo,
relevante para cada individuo (Sabeima et al., 2022).
En paralelo, la evaluación personalizada también ha sido un motor de cambio en la forma en que se
mide el progreso de los estudiantes. Es por ello que, Choi y McClenen (2020) han desarrollado el sistema
"Computerized Formative Adaptive Testing" (CAFT), que emplea inteligencia artificial para ajustar
dinámicamente las evaluaciones a las capacidades del estudiante, proporcionando retroalimentación
inmediata y diagnóstica. Esta tecnología ha sido utilizada con éxito en diferentes contextos, como
mencionan Alam (2022) y Truong (2016), quienes señalan que la integración de IA en los sistemas de
evaluación permite una medición más precisa y adaptable. Este enfoque personalizado no solo mejora
la precisión de las evaluaciones, sino que también permite que los estudiantes se sientan más conectados
personalización en ambientes educativos diversos. Este enfoque adaptativo subraya la importancia de
diseñar procesos flexibles, capaces de ajustarse no solo a las demandas del entorno, sino también a las
particularidades de cada estudiante (Aparicio-Gómez & Aparicio-Gómez, 2024).
La personalización en el aprendizaje, considerada un pilar fundamental por los grandes innovadores del
mundo educativo, va más allá de la simple adaptación de contenidos. Por lo que, Sabeima et al. (2022)
destacan cómo los sistemas de recomendación educativa han avanzado en los entornos de e-learning,
proporcionando a los estudiantes rutas de aprendizaje ajustadas a sus habilidades, metas y disponibilidad
de tiempo. Similarmente, Choi y McClenen (2020) detallan cómo la IA aplicada en sistemas adaptativos
permite ajustar dinámicamente los ítems y pruebas según las capacidades del estudiante, mejorando
tanto la retroalimentación como la personalización de los contenidos. Esta convergencia de tecnologías
adaptativas es fundamental en un contexto en el que la inteligencia artificial ha facilitado avances en la
educación digital, permitiendo que los estudiantes y docentes optimicen sus experiencias de enseñanza
y aprendizaje (Alam, 2022; Ríos-Rodríguez et al., 2021). Estos sistemas no solo motivan a los
estudiantes a seguir aprendiendo, sino que optimizan el proceso educativo al maximizar su potencial
individual. Un buen ejemplo de esta estrategia es cómo grandes corporaciones tecnológicas, como
Google y Microsoft, han invertido en plataformas de educación adaptativa para asegurar que sus
empleados y estudiantes de todo el mundo accedan a una formación personalizada.
Esta atención al detalle en el diseño de rutas de aprendizaje ha sido clave en el éxito de los sistemas
adaptativos, proporcionando un entorno donde el aprendizaje puede ser eficiente, atractivo y, sobre todo,
relevante para cada individuo (Sabeima et al., 2022).
En paralelo, la evaluación personalizada también ha sido un motor de cambio en la forma en que se
mide el progreso de los estudiantes. Es por ello que, Choi y McClenen (2020) han desarrollado el sistema
"Computerized Formative Adaptive Testing" (CAFT), que emplea inteligencia artificial para ajustar
dinámicamente las evaluaciones a las capacidades del estudiante, proporcionando retroalimentación
inmediata y diagnóstica. Esta tecnología ha sido utilizada con éxito en diferentes contextos, como
mencionan Alam (2022) y Truong (2016), quienes señalan que la integración de IA en los sistemas de
evaluación permite una medición más precisa y adaptable. Este enfoque personalizado no solo mejora
la precisión de las evaluaciones, sino que también permite que los estudiantes se sientan más conectados
pág. 13879
con su propio progreso, una técnica utilizada en las mejores prácticas de formación de líderes
empresariales. Empresas como Amazon y Tesla, por ejemplo, implementan evaluaciones adaptativas
para capacitar a sus equipos, garantizando que los empleados no solo entiendan la teoría, sino que
también puedan aplicar los conocimientos en situaciones complejas. Del mismo modo, el uso de IA en
la educación puede permitir a los docentes ajustar las estrategias de enseñanza sobre la marcha,
asegurando que ningún estudiante se quede atrás (Beech, 2018; Kabudi et al., 2021).
El diseño de los sistemas adaptativos no se detiene en la evaluación, sino que se extiende a un enfoque
más holístico del aprendizaje, donde los estilos de aprendizaje de los estudiantes se integran de manera
efectiva. El investigador Truong (2016) resalta que, al identificar los estilos de aprendizaje preferidos
por los estudiantes, los sistemas adaptativos pueden ajustar las actividades y los recursos de enseñanza
para maximizar la efectividad del aprendizaje. Esta técnica, similar a cómo los principales educadores
y líderes empresariales del mundo personalizan sus enfoques para motivar a sus equipos, demuestra que
entender a las personas es clave para lograr un alto rendimiento. Además, muestra que personalizar el
aprendizaje según los estilos preferidos, ya sea a través de enfoques visuales, auditivos o kinestésicos,
puede aumentar significativamente el compromiso y el éxito académico. En esta línea, Ezzaim et al.
(2024) añaden que la IA juega un papel crucial en la detección de estilos de aprendizaje, permitiendo
una adaptación automática y continua en los sistemas educativos. Este enfoque ha sido implementado
en programas de liderazgo y desarrollo personal en empresas globales, demostrando que cuando las
personas se sienten comprendidas y apoyadas, su rendimiento mejora exponencialmente (Aguilar et al.,
2022; Alam, 2022; Aissaoui et al., 2019).
Por otra parte, Alam (2022) subraya que la IA ha permitido la creación de aulas virtuales y tutores
inteligentes que se adaptan dinámicamente a las necesidades de los estudiantes, ofreciendo un soporte
continuo y retroalimentación personalizada. Este enfoque ha transformado la manera en que se conciben
las experiencias de aprendizaje, acercándolas a los modelos de enseñanza utilizados en las mejores
escuelas de negocios del mundo, como Harvard y Stanford. Estas instituciones han integrado IA en sus
sistemas de evaluación y formación, permitiendo a los estudiantes recibir un feedback preciso y
personalizado que acelera su aprendizaje (Rivera-Arzola, 2021; Imhof et al., 2020). De la misma
manera, la IA en las aulas permite a los estudiantes progresar a su propio ritmo, obteniendo la
con su propio progreso, una técnica utilizada en las mejores prácticas de formación de líderes
empresariales. Empresas como Amazon y Tesla, por ejemplo, implementan evaluaciones adaptativas
para capacitar a sus equipos, garantizando que los empleados no solo entiendan la teoría, sino que
también puedan aplicar los conocimientos en situaciones complejas. Del mismo modo, el uso de IA en
la educación puede permitir a los docentes ajustar las estrategias de enseñanza sobre la marcha,
asegurando que ningún estudiante se quede atrás (Beech, 2018; Kabudi et al., 2021).
El diseño de los sistemas adaptativos no se detiene en la evaluación, sino que se extiende a un enfoque
más holístico del aprendizaje, donde los estilos de aprendizaje de los estudiantes se integran de manera
efectiva. El investigador Truong (2016) resalta que, al identificar los estilos de aprendizaje preferidos
por los estudiantes, los sistemas adaptativos pueden ajustar las actividades y los recursos de enseñanza
para maximizar la efectividad del aprendizaje. Esta técnica, similar a cómo los principales educadores
y líderes empresariales del mundo personalizan sus enfoques para motivar a sus equipos, demuestra que
entender a las personas es clave para lograr un alto rendimiento. Además, muestra que personalizar el
aprendizaje según los estilos preferidos, ya sea a través de enfoques visuales, auditivos o kinestésicos,
puede aumentar significativamente el compromiso y el éxito académico. En esta línea, Ezzaim et al.
(2024) añaden que la IA juega un papel crucial en la detección de estilos de aprendizaje, permitiendo
una adaptación automática y continua en los sistemas educativos. Este enfoque ha sido implementado
en programas de liderazgo y desarrollo personal en empresas globales, demostrando que cuando las
personas se sienten comprendidas y apoyadas, su rendimiento mejora exponencialmente (Aguilar et al.,
2022; Alam, 2022; Aissaoui et al., 2019).
Por otra parte, Alam (2022) subraya que la IA ha permitido la creación de aulas virtuales y tutores
inteligentes que se adaptan dinámicamente a las necesidades de los estudiantes, ofreciendo un soporte
continuo y retroalimentación personalizada. Este enfoque ha transformado la manera en que se conciben
las experiencias de aprendizaje, acercándolas a los modelos de enseñanza utilizados en las mejores
escuelas de negocios del mundo, como Harvard y Stanford. Estas instituciones han integrado IA en sus
sistemas de evaluación y formación, permitiendo a los estudiantes recibir un feedback preciso y
personalizado que acelera su aprendizaje (Rivera-Arzola, 2021; Imhof et al., 2020). De la misma
manera, la IA en las aulas permite a los estudiantes progresar a su propio ritmo, obteniendo la
pág. 13880
información y el apoyo que necesitan cuando lo requieren. El autor Alam (2022), sostiene que la IA no
solo mejora la calidad de la enseñanza, sino que democratiza el acceso a una educación de alta calidad,
una tendencia que está transformando tanto el ámbito empresarial como el educativo (Ríos- Rodríguez
et al., 2021).
A medida que los sistemas adaptativos y la inteligencia artificial se integran más profundamente en los
entornos educativos, surgen nuevos retos. Véliz et al. (2021) señalan que, aunque los simuladores de
realidad virtual y otras herramientas adaptativas han demostrado ser eficaces para mejorar el
rendimiento académico en disciplinas como las ciencias y las ingenierías, su implementación depende
en gran medida de la infraestructura tecnológica disponible. Las grandes corporaciones y universidades
de élite han resuelto este problema invirtiendo significativamente en tecnología, asegurando que todos
los estudiantes tengan acceso a las mejores herramientas de aprendizaje. Sin embargo, para que estas
tecnologías puedan ser accesibles en un contexto global, es necesario que las políticas educativas y las
instituciones públicas también prioricen la inversión en infraestructuras tecnológicas. Como mencionan
Beech (2018) y Perrotta y Selwyn (2020), la colaboración público-privada es clave para garantizar que
las tecnologías educativas, como los sistemas adaptativos, estén disponibles en todas las regiones,
independientemente de las limitaciones económicas o geográficas (Kabudi et al., 2021; Maffei et al.,
2024).
En el contexto de la personalización, Kabudi et al. (2021) subrayan que la evolución de los sistemas de
aprendizaje habilitados por IA continuará ofreciendo oportunidades sin precedentes para adaptar el
aprendizaje a las necesidades individuales de cada estudiante. Esta tendencia se ve reflejada en el mundo
corporativo, donde la IA se utiliza para personalizar no solo el aprendizaje, sino también las experiencias
del cliente y la formación de empleados, como lo hace Salesforce o IBM.
Al igual que en estas empresas, la educación se está moviendo hacia un modelo donde cada estudiante
puede seguir su propio camino, respaldado por tecnologías que ajustan las experiencias de aprendizaje
en función de sus fortalezas y áreas de mejora (Apoki & Crisan, 2022). La personalización del
aprendizaje es, sin duda, el futuro de la educación, un enfoque que ha sido adoptado por los mejores
empresarios y educadores del mundo, quienes entienden que el éxito radica en la capacidad de adaptarse
a las personas, sus contextos y necesidades específicas (Vázquez & Navarro, 2024; Van Nuland et al.,
información y el apoyo que necesitan cuando lo requieren. El autor Alam (2022), sostiene que la IA no
solo mejora la calidad de la enseñanza, sino que democratiza el acceso a una educación de alta calidad,
una tendencia que está transformando tanto el ámbito empresarial como el educativo (Ríos- Rodríguez
et al., 2021).
A medida que los sistemas adaptativos y la inteligencia artificial se integran más profundamente en los
entornos educativos, surgen nuevos retos. Véliz et al. (2021) señalan que, aunque los simuladores de
realidad virtual y otras herramientas adaptativas han demostrado ser eficaces para mejorar el
rendimiento académico en disciplinas como las ciencias y las ingenierías, su implementación depende
en gran medida de la infraestructura tecnológica disponible. Las grandes corporaciones y universidades
de élite han resuelto este problema invirtiendo significativamente en tecnología, asegurando que todos
los estudiantes tengan acceso a las mejores herramientas de aprendizaje. Sin embargo, para que estas
tecnologías puedan ser accesibles en un contexto global, es necesario que las políticas educativas y las
instituciones públicas también prioricen la inversión en infraestructuras tecnológicas. Como mencionan
Beech (2018) y Perrotta y Selwyn (2020), la colaboración público-privada es clave para garantizar que
las tecnologías educativas, como los sistemas adaptativos, estén disponibles en todas las regiones,
independientemente de las limitaciones económicas o geográficas (Kabudi et al., 2021; Maffei et al.,
2024).
En el contexto de la personalización, Kabudi et al. (2021) subrayan que la evolución de los sistemas de
aprendizaje habilitados por IA continuará ofreciendo oportunidades sin precedentes para adaptar el
aprendizaje a las necesidades individuales de cada estudiante. Esta tendencia se ve reflejada en el mundo
corporativo, donde la IA se utiliza para personalizar no solo el aprendizaje, sino también las experiencias
del cliente y la formación de empleados, como lo hace Salesforce o IBM.
Al igual que en estas empresas, la educación se está moviendo hacia un modelo donde cada estudiante
puede seguir su propio camino, respaldado por tecnologías que ajustan las experiencias de aprendizaje
en función de sus fortalezas y áreas de mejora (Apoki & Crisan, 2022). La personalización del
aprendizaje es, sin duda, el futuro de la educación, un enfoque que ha sido adoptado por los mejores
empresarios y educadores del mundo, quienes entienden que el éxito radica en la capacidad de adaptarse
a las personas, sus contextos y necesidades específicas (Vázquez & Navarro, 2024; Van Nuland et al.,
pág. 13881
2020).
La Inteligencia Artificial Aplicada a la Personalización del Aprendizaje
La inteligencia artificial ha transformado radicalmente la personalización del aprendizaje en entornos
educativos, permitiendo que los sistemas procesen y ajusten grandes volúmenes de datos de los
estudiantes, como lo describe Van Nuland et al. (2020), lo que facilita una experiencia educativa precisa
y adaptada a las capacidades individuales de cada alumno, optimizando así el rendimiento académico al
ofrecer un contenido ajustado al ritmo personal de aprendizaje, sin la necesidad de estandarizar los
métodos pedagógicos para todos los estudiantes.
En esa línea, Choi y McClenen (2020) explican que, a través de la inteligencia artificial, los sistemas
educativos no solo ajustan dinámicamente los contenidos de aprendizaje en función del rendimiento del
estudiante, sino que también identifican sus fortalezas y debilidades en tiempo real, lo que garantiza un
progreso constante y ajustado a las necesidades individuales, ofreciendo una retroalimentación
inmediata que facilita un proceso educativo eficiente, adaptable y orientado al crecimiento continuo de
cada alumno.
Los sistemas educativos adaptativos, impulsados por inteligencia artificial, proporcionan una mayor
flexibilidad en los métodos de enseñanza, como señalan Sabeima, Lamolle y Nanne (2022), ya que estos
sistemas recomiendan materiales educativos que se ajustan no solo a las competencias de los estudiantes,
sino también a sus intereses y objetivos personales, lo que genera una experiencia educativa más
centrada en el alumno, incrementando así la motivación y reduciendo las tasas de deserción, lo que
favorece una mayor permanencia y éxito académico.
El impacto de la inteligencia artificial en la evaluación adaptativa ha sido transformador, ya que, como
destaca Truong (2016), las evaluaciones personalizadas permiten ajustar la dificultad de los exámenes
en función de las respuestas de los estudiantes, brindando una medición más precisa de sus habilidades,
lo que no solo beneficia al estudiante al recibir retroalimentación específica sobre su rendimiento, sino
también a los docentes, que pueden adaptar sus estrategias pedagógicas para mejorar los resultados
educativos de forma más eficiente.
El análisis automático de los estilos de aprendizaje mediante inteligencia artificial ha permitido una
personalización sin precedentes en el ámbito educativo, como explican Véliz et al. (2021), quienes
2020).
La Inteligencia Artificial Aplicada a la Personalización del Aprendizaje
La inteligencia artificial ha transformado radicalmente la personalización del aprendizaje en entornos
educativos, permitiendo que los sistemas procesen y ajusten grandes volúmenes de datos de los
estudiantes, como lo describe Van Nuland et al. (2020), lo que facilita una experiencia educativa precisa
y adaptada a las capacidades individuales de cada alumno, optimizando así el rendimiento académico al
ofrecer un contenido ajustado al ritmo personal de aprendizaje, sin la necesidad de estandarizar los
métodos pedagógicos para todos los estudiantes.
En esa línea, Choi y McClenen (2020) explican que, a través de la inteligencia artificial, los sistemas
educativos no solo ajustan dinámicamente los contenidos de aprendizaje en función del rendimiento del
estudiante, sino que también identifican sus fortalezas y debilidades en tiempo real, lo que garantiza un
progreso constante y ajustado a las necesidades individuales, ofreciendo una retroalimentación
inmediata que facilita un proceso educativo eficiente, adaptable y orientado al crecimiento continuo de
cada alumno.
Los sistemas educativos adaptativos, impulsados por inteligencia artificial, proporcionan una mayor
flexibilidad en los métodos de enseñanza, como señalan Sabeima, Lamolle y Nanne (2022), ya que estos
sistemas recomiendan materiales educativos que se ajustan no solo a las competencias de los estudiantes,
sino también a sus intereses y objetivos personales, lo que genera una experiencia educativa más
centrada en el alumno, incrementando así la motivación y reduciendo las tasas de deserción, lo que
favorece una mayor permanencia y éxito académico.
El impacto de la inteligencia artificial en la evaluación adaptativa ha sido transformador, ya que, como
destaca Truong (2016), las evaluaciones personalizadas permiten ajustar la dificultad de los exámenes
en función de las respuestas de los estudiantes, brindando una medición más precisa de sus habilidades,
lo que no solo beneficia al estudiante al recibir retroalimentación específica sobre su rendimiento, sino
también a los docentes, que pueden adaptar sus estrategias pedagógicas para mejorar los resultados
educativos de forma más eficiente.
El análisis automático de los estilos de aprendizaje mediante inteligencia artificial ha permitido una
personalización sin precedentes en el ámbito educativo, como explican Véliz et al. (2021), quienes
pág. 13882
señalan que los sistemas adaptativos son capaces de identificar las preferencias de aprendizaje de los
estudiantes, ajustando las estrategias pedagógicas y los recursos educativos en consecuencia, lo que
mejora la retención de conocimientos, fomenta una mayor participación activa y promueve un entorno
de aprendizaje más eficaz y alineado con las necesidades individuales de cada estudiante.
La tutoría inteligente, desarrollada mediante inteligencia artificial, ha revolucionado el apoyo
académico, ya que, según Alam (2022), los tutores virtuales ofrecen respuestas personalizadas que se
adaptan a las preguntas y necesidades específicas de cada alumno, lo que facilita un aprendizaje más
efectivo, ya que los estudiantes reciben el soporte adecuado en el momento preciso, permitiendo que
avancen a su propio ritmo, sin las limitaciones de tiempo y acceso que tradicionalmente obstaculizan el
apoyo en los entornos educativos convencionales.
Los simuladores de aprendizaje impulsados por inteligencia artificial han permitido una personalización
profunda en el aprendizaje práctico, según Aparicio-Gómez y Aparicio-Gómez (2024), quienes señalan
que estos simuladores ajustan las prácticas y situaciones a las habilidades y conocimientos de los
estudiantes, lo que facilita una comprensión más profunda de los conceptos a través de la
experimentación, siendo particularmente útil en disciplinas donde la práctica es clave, como las ciencias
e ingenierías, mejorando la retención y aplicación de los conocimientos adquiridos.
El acceso equitativo a una educación personalizada ha sido uno de los grandes logros de la inteligencia
artificial, como destaca Beech (2018), quien argumenta que los sistemas educativos impulsados por IA
permiten a los estudiantes, sin importar su ubicación geográfica o condición socioeconómica, acceder a
una formación adaptada a sus necesidades y capacidades, reduciendo así las brechas en el acceso
educativo y garantizando que un mayor número de estudiantes pueda beneficiarse de oportunidades de
aprendizaje personalizadas y de calidad.
La capacidad de la inteligencia artificial para analizar datos académicos y recomendar trayectorias
educativas más personalizadas ha mejorado significativamente la orientación en universidades, como
señalan Aguilar et al. (2022), quienes explican que los sistemas basados en IA analizan las preferencias,
el rendimiento y los intereses de los estudiantes para ofrecer recomendaciones más alineadas con sus
habilidades y metas profesionales, permitiendo una toma de decisiones más informada y efectiva, lo que
asegura una mayor satisfacción y éxito en el camino académico elegido.
señalan que los sistemas adaptativos son capaces de identificar las preferencias de aprendizaje de los
estudiantes, ajustando las estrategias pedagógicas y los recursos educativos en consecuencia, lo que
mejora la retención de conocimientos, fomenta una mayor participación activa y promueve un entorno
de aprendizaje más eficaz y alineado con las necesidades individuales de cada estudiante.
La tutoría inteligente, desarrollada mediante inteligencia artificial, ha revolucionado el apoyo
académico, ya que, según Alam (2022), los tutores virtuales ofrecen respuestas personalizadas que se
adaptan a las preguntas y necesidades específicas de cada alumno, lo que facilita un aprendizaje más
efectivo, ya que los estudiantes reciben el soporte adecuado en el momento preciso, permitiendo que
avancen a su propio ritmo, sin las limitaciones de tiempo y acceso que tradicionalmente obstaculizan el
apoyo en los entornos educativos convencionales.
Los simuladores de aprendizaje impulsados por inteligencia artificial han permitido una personalización
profunda en el aprendizaje práctico, según Aparicio-Gómez y Aparicio-Gómez (2024), quienes señalan
que estos simuladores ajustan las prácticas y situaciones a las habilidades y conocimientos de los
estudiantes, lo que facilita una comprensión más profunda de los conceptos a través de la
experimentación, siendo particularmente útil en disciplinas donde la práctica es clave, como las ciencias
e ingenierías, mejorando la retención y aplicación de los conocimientos adquiridos.
El acceso equitativo a una educación personalizada ha sido uno de los grandes logros de la inteligencia
artificial, como destaca Beech (2018), quien argumenta que los sistemas educativos impulsados por IA
permiten a los estudiantes, sin importar su ubicación geográfica o condición socioeconómica, acceder a
una formación adaptada a sus necesidades y capacidades, reduciendo así las brechas en el acceso
educativo y garantizando que un mayor número de estudiantes pueda beneficiarse de oportunidades de
aprendizaje personalizadas y de calidad.
La capacidad de la inteligencia artificial para analizar datos académicos y recomendar trayectorias
educativas más personalizadas ha mejorado significativamente la orientación en universidades, como
señalan Aguilar et al. (2022), quienes explican que los sistemas basados en IA analizan las preferencias,
el rendimiento y los intereses de los estudiantes para ofrecer recomendaciones más alineadas con sus
habilidades y metas profesionales, permitiendo una toma de decisiones más informada y efectiva, lo que
asegura una mayor satisfacción y éxito en el camino académico elegido.
pág. 13883
El enfoque inclusivo de la inteligencia artificial ha transformado la educación al hacerla más accesible
para estudiantes con discapacidades o limitaciones, ya que, según Ríos-Rodríguez et al. (2021), los
sistemas adaptativos son capaces de ajustar los contenidos y las estrategias de enseñanza para atender
las necesidades específicas de estos estudiantes, lo que les permite participar plenamente en el proceso
de aprendizaje y garantiza que todos los alumnos tengan acceso a una educación de calidad adaptada a
sus capacidades.
El análisis de patrones de comportamiento de los estudiantes mediante inteligencia artificial ha
permitido que los contenidos de aprendizaje se ajusten en función de los intereses individuales, como
sugieren Aissaoui et al. (2019), quienes sostienen que los algoritmos de IA pueden identificar los
intereses y comportamientos de los estudiantes y adaptar los materiales educativos a sus preferencias,
lo que aumenta significativamente la motivación, fomenta una mayor participación activa y mejora los
resultados académicos al ofrecer una experiencia educativa más personalizada.
La inteligencia artificial también ha facilitado que los docentes adapten sus estrategias pedagógicas de
manera más precisa y eficaz, como mencionan Kabudi et al. (2021), quienes explican que los sistemas
basados en IA proporcionan recomendaciones a los profesores sobre cómo ajustar sus métodos de
enseñanza en función del progreso, estilo de aprendizaje y necesidades específicas de los estudiantes, lo
que permite una enseñanza más focalizada, mejorando significativamente la experiencia de aprendizaje
y el rendimiento académico de los alumnos.
Las plataformas de e-learning, habilitadas por inteligencia artificial, han demostrado ser una herramienta
eficaz para la personalización del aprendizaje en línea, según Imhof et al. (2020), quienes destacan que
estas plataformas ajustan automáticamente los contenidos educativos en función del rendimiento de los
estudiantes, lo que permite que el proceso de aprendizaje sea más adaptativo, personalizado y eficaz,
asegurando que cada estudiante reciba los contenidos adecuados según sus capacidades, fomentando un
progreso académico más constante y exitoso.
Los sistemas de análisis predictivo basados en inteligencia artificial han demostrado ser una herramienta
invaluable para prever posibles problemas académicos antes de que se materialicen, como explica Alam
(2022), quien sostiene que estos sistemas pueden identificar patrones en los datos de los estudiantes y
prever dificultades, permitiendo que los docentes y administradores intervengan de manera proactiva,
El enfoque inclusivo de la inteligencia artificial ha transformado la educación al hacerla más accesible
para estudiantes con discapacidades o limitaciones, ya que, según Ríos-Rodríguez et al. (2021), los
sistemas adaptativos son capaces de ajustar los contenidos y las estrategias de enseñanza para atender
las necesidades específicas de estos estudiantes, lo que les permite participar plenamente en el proceso
de aprendizaje y garantiza que todos los alumnos tengan acceso a una educación de calidad adaptada a
sus capacidades.
El análisis de patrones de comportamiento de los estudiantes mediante inteligencia artificial ha
permitido que los contenidos de aprendizaje se ajusten en función de los intereses individuales, como
sugieren Aissaoui et al. (2019), quienes sostienen que los algoritmos de IA pueden identificar los
intereses y comportamientos de los estudiantes y adaptar los materiales educativos a sus preferencias,
lo que aumenta significativamente la motivación, fomenta una mayor participación activa y mejora los
resultados académicos al ofrecer una experiencia educativa más personalizada.
La inteligencia artificial también ha facilitado que los docentes adapten sus estrategias pedagógicas de
manera más precisa y eficaz, como mencionan Kabudi et al. (2021), quienes explican que los sistemas
basados en IA proporcionan recomendaciones a los profesores sobre cómo ajustar sus métodos de
enseñanza en función del progreso, estilo de aprendizaje y necesidades específicas de los estudiantes, lo
que permite una enseñanza más focalizada, mejorando significativamente la experiencia de aprendizaje
y el rendimiento académico de los alumnos.
Las plataformas de e-learning, habilitadas por inteligencia artificial, han demostrado ser una herramienta
eficaz para la personalización del aprendizaje en línea, según Imhof et al. (2020), quienes destacan que
estas plataformas ajustan automáticamente los contenidos educativos en función del rendimiento de los
estudiantes, lo que permite que el proceso de aprendizaje sea más adaptativo, personalizado y eficaz,
asegurando que cada estudiante reciba los contenidos adecuados según sus capacidades, fomentando un
progreso académico más constante y exitoso.
Los sistemas de análisis predictivo basados en inteligencia artificial han demostrado ser una herramienta
invaluable para prever posibles problemas académicos antes de que se materialicen, como explica Alam
(2022), quien sostiene que estos sistemas pueden identificar patrones en los datos de los estudiantes y
prever dificultades, permitiendo que los docentes y administradores intervengan de manera proactiva,
pág. 13884
ofreciendo el apoyo necesario para evitar el fracaso académico y garantizar que los estudiantes superen
las dificultades con éxito.
El análisis de grandes volúmenes de datos educativos mediante inteligencia artificial ha optimizado la
gestión de la información en los entornos educativos, como señalan Van Nuland et al. (2020), quienes
argumentan que los sistemas basados en IA permiten una personalización más precisa de las
experiencias de aprendizaje, ya que los docentes pueden ajustar sus estrategias pedagógicas según los
datos empíricos analizados, lo que resulta en una educación más efectiva y ajustada a las necesidades
individuales de los estudiantes.
Los entornos de aprendizaje dinámicos creados mediante inteligencia artificial han permitido una
educación más fluida y adaptativa, como destaca Truong (2016), quien explica que estos sistemas
ajustan continuamente los contenidos y las actividades pedagógicas en función del progreso de los
estudiantes, lo que asegura que el aprendizaje sea continuo y personalizado a lo largo del tiempo,
mejorando los resultados académicos de manera sostenida al ofrecer una experiencia educativa más
alineada con las necesidades y capacidades de cada estudiante.
METODOLOGÍA
La metodología se basa en una revisión crítica de la literatura sobre sistemas adaptativos de aprendizaje
basados en inteligencia artificial en la educación superior. Se seleccionaron fuentes académicas
confiables, incluyendo revistas revisadas por pares de editoriales como Routledge,
Springer y John Wiley & Sons, junto con reportes técnicos y actas de congresos. La búsqueda se realizó
en bases de datos como Scopus, Web of Science, Google Scholar e IEEE Xplore, utilizando palabras
clave como “adaptive learning systems” y “artificial intelligence in higher education,” enfocándose en
estudios publicados en los últimos 12 años.
La selección de estudios se llevó a cabo en tres fases: lectura de títulos y resúmenes para identificar
relevancia temática, lectura completa para evaluar su rigor metodológico y un análisis crítico para
identificar patrones, vacíos y contradicciones. Se priorizaron estudios con enfoques metodológicos
rigurosos y contribuciones significativas.
Los estudios se analizaron bajo tres ejes: teorías del aprendizaje individualizado, mecanismos de
personalización a través de IA y su impacto en el rendimiento académico. Además, se evaluaron los
ofreciendo el apoyo necesario para evitar el fracaso académico y garantizar que los estudiantes superen
las dificultades con éxito.
El análisis de grandes volúmenes de datos educativos mediante inteligencia artificial ha optimizado la
gestión de la información en los entornos educativos, como señalan Van Nuland et al. (2020), quienes
argumentan que los sistemas basados en IA permiten una personalización más precisa de las
experiencias de aprendizaje, ya que los docentes pueden ajustar sus estrategias pedagógicas según los
datos empíricos analizados, lo que resulta en una educación más efectiva y ajustada a las necesidades
individuales de los estudiantes.
Los entornos de aprendizaje dinámicos creados mediante inteligencia artificial han permitido una
educación más fluida y adaptativa, como destaca Truong (2016), quien explica que estos sistemas
ajustan continuamente los contenidos y las actividades pedagógicas en función del progreso de los
estudiantes, lo que asegura que el aprendizaje sea continuo y personalizado a lo largo del tiempo,
mejorando los resultados académicos de manera sostenida al ofrecer una experiencia educativa más
alineada con las necesidades y capacidades de cada estudiante.
METODOLOGÍA
La metodología se basa en una revisión crítica de la literatura sobre sistemas adaptativos de aprendizaje
basados en inteligencia artificial en la educación superior. Se seleccionaron fuentes académicas
confiables, incluyendo revistas revisadas por pares de editoriales como Routledge,
Springer y John Wiley & Sons, junto con reportes técnicos y actas de congresos. La búsqueda se realizó
en bases de datos como Scopus, Web of Science, Google Scholar e IEEE Xplore, utilizando palabras
clave como “adaptive learning systems” y “artificial intelligence in higher education,” enfocándose en
estudios publicados en los últimos 12 años.
La selección de estudios se llevó a cabo en tres fases: lectura de títulos y resúmenes para identificar
relevancia temática, lectura completa para evaluar su rigor metodológico y un análisis crítico para
identificar patrones, vacíos y contradicciones. Se priorizaron estudios con enfoques metodológicos
rigurosos y contribuciones significativas.
Los estudios se analizaron bajo tres ejes: teorías del aprendizaje individualizado, mecanismos de
personalización a través de IA y su impacto en el rendimiento académico. Además, se evaluaron los
pág. 13885
desafíos tecnológicos y éticos para su implementación. La síntesis final ofrece un panorama de la
efectividad de estos sistemas y directrices para su optimización en la educación superior.
DISCUSIÓN
El debate sobre los sistemas adaptativos de aprendizaje basados en inteligencia artificial (IA) en la
educación superior se ha intensificado en los últimos años, con autores que defienden la mejora en la
personalización del aprendizaje y otros que plantean desafíos éticos y tecnológicos. Los autores Aparicio-
Gómez et al. (2024) argumentan que la IA, aplicada a la personalización educativa, mejora
significativamente el rendimiento académico al adaptar los contenidos según las necesidades
individuales. Asimismo, Maffei et al. (2024) apoyan esta idea, afirmando que los sistemas adaptativos
permiten identificar los estilos de aprendizaje y ajustar las estrategias pedagógicas en consecuencia. Sin
embargo, Kabudi et al. (2021) advierten que la falta de formación docente y las barreras tecnológicas
limitan estos beneficios, especialmente en entornos con infraestructura tecnológica deficiente. De igual
forma, Imhof et al. (2020) también destacan que los sistemas adaptativos requieren una alfabetización
digital tanto de docentes como de estudiantes, sin la cual su potencial se ve gravemente restringido. En
este sentido, Aguilar et al. (2022) añaden que la personalización mediante IA puede ser efectiva solo si
se utilizan modelos que consideren los estilos de aprendizaje de los estudiantes, mientras que Apoki y
Crisan (2022) sostienen que la IA aún no puede sustituir el juicio pedagógico humano en la enseñanza
personalizada.
Por otra parte, Xie et al. (2019) afirman que el aprendizaje individualizado permite a los estudiantes
avanzar a su propio ritmo, optimizando el rendimiento académico, un enfoque que encuentra respaldo
en la teoría constructivista de Olson y Ramírez (2020), quienes subrayan que el aprendizaje se construye
activamente por el estudiante. Sin embargo, Ríos-Rodríguez et al. (2021) advierten que, aunque la IA
facilita la individualización, se corre el riesgo de depender demasiado de la automatización, lo que puede
reducir la capacidad de los estudiantes para gestionar su propio aprendizaje. Por otro lado, Villamañe y
Álvarez (2024) plantean que la automatización educativa debe complementarse con la intervención
humana, pues la IA aún no puede abordar las necesidades emocionales y sociales de los estudiantes. Aun
así, Ezzaim et al. (2024) señalan que los sistemas adaptativos, mediante el uso de algoritmos
supervisados, son capaces de detectar estilos de aprendizaje con una precisión que supera la capacidad
desafíos tecnológicos y éticos para su implementación. La síntesis final ofrece un panorama de la
efectividad de estos sistemas y directrices para su optimización en la educación superior.
DISCUSIÓN
El debate sobre los sistemas adaptativos de aprendizaje basados en inteligencia artificial (IA) en la
educación superior se ha intensificado en los últimos años, con autores que defienden la mejora en la
personalización del aprendizaje y otros que plantean desafíos éticos y tecnológicos. Los autores Aparicio-
Gómez et al. (2024) argumentan que la IA, aplicada a la personalización educativa, mejora
significativamente el rendimiento académico al adaptar los contenidos según las necesidades
individuales. Asimismo, Maffei et al. (2024) apoyan esta idea, afirmando que los sistemas adaptativos
permiten identificar los estilos de aprendizaje y ajustar las estrategias pedagógicas en consecuencia. Sin
embargo, Kabudi et al. (2021) advierten que la falta de formación docente y las barreras tecnológicas
limitan estos beneficios, especialmente en entornos con infraestructura tecnológica deficiente. De igual
forma, Imhof et al. (2020) también destacan que los sistemas adaptativos requieren una alfabetización
digital tanto de docentes como de estudiantes, sin la cual su potencial se ve gravemente restringido. En
este sentido, Aguilar et al. (2022) añaden que la personalización mediante IA puede ser efectiva solo si
se utilizan modelos que consideren los estilos de aprendizaje de los estudiantes, mientras que Apoki y
Crisan (2022) sostienen que la IA aún no puede sustituir el juicio pedagógico humano en la enseñanza
personalizada.
Por otra parte, Xie et al. (2019) afirman que el aprendizaje individualizado permite a los estudiantes
avanzar a su propio ritmo, optimizando el rendimiento académico, un enfoque que encuentra respaldo
en la teoría constructivista de Olson y Ramírez (2020), quienes subrayan que el aprendizaje se construye
activamente por el estudiante. Sin embargo, Ríos-Rodríguez et al. (2021) advierten que, aunque la IA
facilita la individualización, se corre el riesgo de depender demasiado de la automatización, lo que puede
reducir la capacidad de los estudiantes para gestionar su propio aprendizaje. Por otro lado, Villamañe y
Álvarez (2024) plantean que la automatización educativa debe complementarse con la intervención
humana, pues la IA aún no puede abordar las necesidades emocionales y sociales de los estudiantes. Aun
así, Ezzaim et al. (2024) señalan que los sistemas adaptativos, mediante el uso de algoritmos
supervisados, son capaces de detectar estilos de aprendizaje con una precisión que supera la capacidad
pág. 13886
de los docentes en entornos tradicionales. Esta afirmación es cuestionada por Ahmad et al. (2013),
quienes sostienen que, aunque los sistemas automatizados mejoran la detección de estilos de
aprendizaje, la retroalimentación proporcionada por un docente sigue siendo fundamental para el
desarrollo integral del estudiante.
En referencia al impacto de las simulaciones inmersivas en la personalización del aprendizaje, los
autores Véliz et al. (2021) defienden que las simulaciones virtuales permiten una mayor personalización,
al adaptar en tiempo real los entornos de aprendizaje a las necesidades del estudiante. Por su parte,
Aguilar et al. (2022) añaden que este tipo de entornos inmersivos, al proporcionar retroalimentación
inmediata, optimizan el rendimiento académico, especialmente en áreas prácticas como la ingeniería y
las ciencias aplicadas. No obstante, Chiu et al. (2023) critican que, aunque las simulaciones mejoran la
personalización, no pueden sustituir la interacción humana en la enseñanza, especialmente en términos
de apoyo emocional y motivacional. A su vez, Dalgıç et al. (2024) apoyan esta crítica, señalando que
los sistemas automatizados, como los chatbots educativos, aún tienen limitaciones en cuanto a la
comprensión y respuesta a las emociones de los estudiantes. En contraste, Cooper (2023) argumenta que
el desarrollo de tecnologías basadas en IA para la educación debe centrarse en mejorar la interacción
entre estudiantes y sistemas automatizados, asegurando que la retroalimentación no solo sea precisa,
sino también motivadora. De igual forma, Perrotta y Selwyn (2020) respaldan esta posición, sugiriendo
que la IA debe ser vista como un complemento a las dinámicas humanas en el aula, en lugar de una
herramienta que sustituya al docente.
Ahora bien, Rivera-Arzola (2021) señala que los estudiantes que utilizan sistemas de aprendizaje
adaptativo muestran mejoras significativas en su rendimiento, ya que la IA ajusta los contenidos a sus
habilidades y progresos. En este sentido, Aissaoui et al. (2019) sostienen que el aprendizaje basado en
IA no solo mejora el rendimiento, sino que también permite identificar áreas de debilidad que los
métodos tradicionales podrían pasar por alto. Por otro lado, Vázquez y Navarro (2024) argumentan que,
si bien la personalización mediante IA puede ser útil, en algunos casos los estudiantes se vuelven
excesivamente dependientes de estos sistemas, lo que puede afectar su capacidad para autorregular su
aprendizaje. De manera similar, Apoki y Crisan (2022) refuerzan esta crítica, sugiriendo que, aunque los
sistemas adaptativos proporcionan una retroalimentación constante, no fomentan adecuadamente el
de los docentes en entornos tradicionales. Esta afirmación es cuestionada por Ahmad et al. (2013),
quienes sostienen que, aunque los sistemas automatizados mejoran la detección de estilos de
aprendizaje, la retroalimentación proporcionada por un docente sigue siendo fundamental para el
desarrollo integral del estudiante.
En referencia al impacto de las simulaciones inmersivas en la personalización del aprendizaje, los
autores Véliz et al. (2021) defienden que las simulaciones virtuales permiten una mayor personalización,
al adaptar en tiempo real los entornos de aprendizaje a las necesidades del estudiante. Por su parte,
Aguilar et al. (2022) añaden que este tipo de entornos inmersivos, al proporcionar retroalimentación
inmediata, optimizan el rendimiento académico, especialmente en áreas prácticas como la ingeniería y
las ciencias aplicadas. No obstante, Chiu et al. (2023) critican que, aunque las simulaciones mejoran la
personalización, no pueden sustituir la interacción humana en la enseñanza, especialmente en términos
de apoyo emocional y motivacional. A su vez, Dalgıç et al. (2024) apoyan esta crítica, señalando que
los sistemas automatizados, como los chatbots educativos, aún tienen limitaciones en cuanto a la
comprensión y respuesta a las emociones de los estudiantes. En contraste, Cooper (2023) argumenta que
el desarrollo de tecnologías basadas en IA para la educación debe centrarse en mejorar la interacción
entre estudiantes y sistemas automatizados, asegurando que la retroalimentación no solo sea precisa,
sino también motivadora. De igual forma, Perrotta y Selwyn (2020) respaldan esta posición, sugiriendo
que la IA debe ser vista como un complemento a las dinámicas humanas en el aula, en lugar de una
herramienta que sustituya al docente.
Ahora bien, Rivera-Arzola (2021) señala que los estudiantes que utilizan sistemas de aprendizaje
adaptativo muestran mejoras significativas en su rendimiento, ya que la IA ajusta los contenidos a sus
habilidades y progresos. En este sentido, Aissaoui et al. (2019) sostienen que el aprendizaje basado en
IA no solo mejora el rendimiento, sino que también permite identificar áreas de debilidad que los
métodos tradicionales podrían pasar por alto. Por otro lado, Vázquez y Navarro (2024) argumentan que,
si bien la personalización mediante IA puede ser útil, en algunos casos los estudiantes se vuelven
excesivamente dependientes de estos sistemas, lo que puede afectar su capacidad para autorregular su
aprendizaje. De manera similar, Apoki y Crisan (2022) refuerzan esta crítica, sugiriendo que, aunque los
sistemas adaptativos proporcionan una retroalimentación constante, no fomentan adecuadamente el
pág. 13887
desarrollo de habilidades de pensamiento crítico y autonomía. Adicionalmente, De Oliveira et al. (2024)
también cuestionan la efectividad de estos sistemas en áreas donde se requiere un aprendizaje
más práctico, como la ingeniería, donde el contacto humano sigue siendo fundamental para el desarrollo
de habilidades complejas.
El debate ético sobre el uso de datos en los sistemas adaptativos de aprendizaje también ha generado
una división entre los académicos. En primer lugar, Aguilar et al. (2022) advierten sobre los riesgos
éticos asociados con la recolección y el análisis de grandes volúmenes de datos estudiantiles, señalando la
necesidad de regulaciones estrictas para proteger la privacidad de los estudiantes.
Del mismo modo, Williamson y Eynon (2020) se suman a esta preocupación, argumentando que la falta
de transparencia en los algoritmos utilizados por los sistemas de IA puede perpetuar sesgos y
desigualdades, especialmente en contextos educativos donde los estudiantes ya enfrentan barreras
socioeconómicas. Por otro lado, Betancur-Chicué y García- Valcárcel (2023) sugieren que, si se manejan
de manera responsable, los datos recopilados por los sistemas adaptativos pueden proporcionar
información valiosa para mejorar la experiencia educativa, permitiendo intervenciones más precisas. A
continuación, Truong (2016) refuerza esta idea al destacar que el análisis de datos en los sistemas de
aprendizaje adaptativo puede predecir con precisión los resultados de los estudiantes y ajustar las
estrategias de enseñanza en consecuencia, aunque enfatiza la importancia de asegurar que estos sistemas
respeten los derechos de los estudiantes. En este contexto, Sabeima et al. (2022) abogan por un enfoque
más ético en el uso de datos, sugiriendo que las instituciones educativas deben garantizar que los
estudiantes comprendan cómo se utilizan sus datos y que tengan el control sobre esta información.
Por otra parte, el papel de los docentes en un entorno cada vez más automatizado es otro tema
ampliamente discutido. En este sentido, Olson y Ramírez (2020) argumentan que, aunque la IA puede
facilitar la personalización del aprendizaje, los docentes siguen siendo esenciales para interpretar los
datos proporcionados por estos sistemas y tomar decisiones pedagógicas informadas. Por su parte, Van
Nuland et al. (2020) afirman que los docentes son cruciales para proporcionar apoyo emocional y social
a los estudiantes, algo que los sistemas de IA no pueden replicar. En una línea similar, Moncini y Pirela
(2021) también destacan que la automatización educativa debe complementar la enseñanza tradicional,
en lugar de sustituirla, especialmente en áreas donde el contacto humano es crucial para el desarrollo de
desarrollo de habilidades de pensamiento crítico y autonomía. Adicionalmente, De Oliveira et al. (2024)
también cuestionan la efectividad de estos sistemas en áreas donde se requiere un aprendizaje
más práctico, como la ingeniería, donde el contacto humano sigue siendo fundamental para el desarrollo
de habilidades complejas.
El debate ético sobre el uso de datos en los sistemas adaptativos de aprendizaje también ha generado
una división entre los académicos. En primer lugar, Aguilar et al. (2022) advierten sobre los riesgos
éticos asociados con la recolección y el análisis de grandes volúmenes de datos estudiantiles, señalando la
necesidad de regulaciones estrictas para proteger la privacidad de los estudiantes.
Del mismo modo, Williamson y Eynon (2020) se suman a esta preocupación, argumentando que la falta
de transparencia en los algoritmos utilizados por los sistemas de IA puede perpetuar sesgos y
desigualdades, especialmente en contextos educativos donde los estudiantes ya enfrentan barreras
socioeconómicas. Por otro lado, Betancur-Chicué y García- Valcárcel (2023) sugieren que, si se manejan
de manera responsable, los datos recopilados por los sistemas adaptativos pueden proporcionar
información valiosa para mejorar la experiencia educativa, permitiendo intervenciones más precisas. A
continuación, Truong (2016) refuerza esta idea al destacar que el análisis de datos en los sistemas de
aprendizaje adaptativo puede predecir con precisión los resultados de los estudiantes y ajustar las
estrategias de enseñanza en consecuencia, aunque enfatiza la importancia de asegurar que estos sistemas
respeten los derechos de los estudiantes. En este contexto, Sabeima et al. (2022) abogan por un enfoque
más ético en el uso de datos, sugiriendo que las instituciones educativas deben garantizar que los
estudiantes comprendan cómo se utilizan sus datos y que tengan el control sobre esta información.
Por otra parte, el papel de los docentes en un entorno cada vez más automatizado es otro tema
ampliamente discutido. En este sentido, Olson y Ramírez (2020) argumentan que, aunque la IA puede
facilitar la personalización del aprendizaje, los docentes siguen siendo esenciales para interpretar los
datos proporcionados por estos sistemas y tomar decisiones pedagógicas informadas. Por su parte, Van
Nuland et al. (2020) afirman que los docentes son cruciales para proporcionar apoyo emocional y social
a los estudiantes, algo que los sistemas de IA no pueden replicar. En una línea similar, Moncini y Pirela
(2021) también destacan que la automatización educativa debe complementar la enseñanza tradicional,
en lugar de sustituirla, especialmente en áreas donde el contacto humano es crucial para el desarrollo de
pág. 13888
habilidades interpersonales. En cambio, Thai et al. (2024) sugieren que los sistemas automatizados
pueden asumir algunas tareas administrativas y de evaluación, liberando a los docentes para centrarse
en el apoyo pedagógico.
CONCLUSIONES
Los hallazgos del estudio evidencian que los sistemas adaptativos de aprendizaje basados en inteligencia
artificial tienen un impacto significativo en la personalización del proceso educativo y en la mejora del
rendimiento académico en la educación superior. Al ajustar los contenidos a las necesidades individuales
de cada estudiante, estos sistemas permiten optimizar el proceso de enseñanza, lo que refuerza teorías del
aprendizaje individualizado y autodirigido. Además, se ha demostrado que la inteligencia artificial
facilita la identificación de estilos de aprendizaje, lo que a su vez permite una personalización más eficaz
en contextos educativos diversos.
Desde un enfoque metodológico, los sistemas adaptativos destacan por su capacidad para proporcionar
retroalimentación en tiempo real, facilitando un aprendizaje continuo y ajustado al ritmo del estudiante.
Esta característica no solo mejora la eficiencia del proceso educativo, sino que también contribuye a la
retención del conocimiento y al fortalecimiento de habilidades específicas, especialmente en áreas
prácticas como la ingeniería y las ciencias aplicadas. Sin embargo, los desafíos tecnológicos y la brecha
en la formación digital de los docentes limitan el potencial de estos sistemas, lo que resalta la necesidad
de invertir en infraestructuras y capacitación docente para maximizar su efectividad.
Teóricamente, los sistemas adaptativos basados en inteligencia artificial están alineados con modelos de
aprendizaje constructivista y teorías del procesamiento de la información, los cuales destacan la
importancia de ajustar los contenidos según las experiencias previas y las capacidades cognitivas de
cada estudiante. Aun así, los estudios sugieren que la excesiva dependencia de la automatización puede
reducir la capacidad de los estudiantes para desarrollar habilidades de pensamiento crítico y
autorregulación, lo que plantea la necesidad de equilibrar la intervención tecnológica con la
participación activa de los docentes.
En el ámbito social, estos sistemas ofrecen una herramienta poderosa para abordar la inequidad educativa
al facilitar el acceso a una educación personalizada a estudiantes de distintos contextos
socioeconómicos. No obstante, la falta de equidad en el acceso a la tecnología sigue siendo un obstáculo
habilidades interpersonales. En cambio, Thai et al. (2024) sugieren que los sistemas automatizados
pueden asumir algunas tareas administrativas y de evaluación, liberando a los docentes para centrarse
en el apoyo pedagógico.
CONCLUSIONES
Los hallazgos del estudio evidencian que los sistemas adaptativos de aprendizaje basados en inteligencia
artificial tienen un impacto significativo en la personalización del proceso educativo y en la mejora del
rendimiento académico en la educación superior. Al ajustar los contenidos a las necesidades individuales
de cada estudiante, estos sistemas permiten optimizar el proceso de enseñanza, lo que refuerza teorías del
aprendizaje individualizado y autodirigido. Además, se ha demostrado que la inteligencia artificial
facilita la identificación de estilos de aprendizaje, lo que a su vez permite una personalización más eficaz
en contextos educativos diversos.
Desde un enfoque metodológico, los sistemas adaptativos destacan por su capacidad para proporcionar
retroalimentación en tiempo real, facilitando un aprendizaje continuo y ajustado al ritmo del estudiante.
Esta característica no solo mejora la eficiencia del proceso educativo, sino que también contribuye a la
retención del conocimiento y al fortalecimiento de habilidades específicas, especialmente en áreas
prácticas como la ingeniería y las ciencias aplicadas. Sin embargo, los desafíos tecnológicos y la brecha
en la formación digital de los docentes limitan el potencial de estos sistemas, lo que resalta la necesidad
de invertir en infraestructuras y capacitación docente para maximizar su efectividad.
Teóricamente, los sistemas adaptativos basados en inteligencia artificial están alineados con modelos de
aprendizaje constructivista y teorías del procesamiento de la información, los cuales destacan la
importancia de ajustar los contenidos según las experiencias previas y las capacidades cognitivas de
cada estudiante. Aun así, los estudios sugieren que la excesiva dependencia de la automatización puede
reducir la capacidad de los estudiantes para desarrollar habilidades de pensamiento crítico y
autorregulación, lo que plantea la necesidad de equilibrar la intervención tecnológica con la
participación activa de los docentes.
En el ámbito social, estos sistemas ofrecen una herramienta poderosa para abordar la inequidad educativa
al facilitar el acceso a una educación personalizada a estudiantes de distintos contextos
socioeconómicos. No obstante, la falta de equidad en el acceso a la tecnología sigue siendo un obstáculo
pág. 13889
importante, especialmente en regiones con infraestructuras limitadas. Esto requiere un compromiso por
parte de las instituciones públicas y privadas para garantizar que
los beneficios de estos sistemas sean accesibles a todos los estudiantes, independientemente de sus
condiciones.
Las implicaciones éticas de los sistemas de IA en la educación también son significativas, puesto que la
recolección masiva de datos plantea preocupaciones sobre la privacidad y el uso de la información
estudiantil, lo que exige un marco regulatorio claro que garantice la protección de los derechos de los
estudiantes. Asimismo, la falta de transparencia en los algoritmos y el riesgo de perpetuar sesgos en los
sistemas de IA son aspectos que deben abordarse para asegurar que la implementación de estos sistemas
sea justa y equitativa.
En términos de impacto en el sector educativo, los sistemas adaptativos representan una transformación
significativa en la manera en que se concibe el proceso de enseñanza- aprendizaje. La capacidad de
personalizar la educación a gran escala y de mejorar el rendimiento académico mediante la IA ofrece un
potencial notable para el futuro de la educación superior. Sin embargo, su efectividad dependerá de cómo
se integren en los contextos educativos, respetando las particularidades de cada institución y los
estudiantes.
Este estudio invita a la comunidad académica y científica a continuar explorando las posibilidades de la
inteligencia artificial en el aprendizaje, mediante investigaciones que evalúen su implementación en
diferentes contextos y disciplinas. Será fundamental adoptar enfoques interdisciplinarios que permitan
un desarrollo sostenible de estos sistemas, abordando tanto los desafíos como las oportunidades que
presentan en la mejora de la calidad educativa.
REFERENCIAS BIBLIOGRÁFICAS
Aguilar, J., Buendia, O., Pinto, A., & Gutiérrez, J. (2022). Social learning analytics for determining
learning styles in a smart classroom. Interactive Learning Environments, 30(2), 245–261.
https://doi.org/10.1080/10494820.2019.1651745
Ahmad, N., Tasir, Z., Kasim, J., & Sahat, H. (2013). Automatic detection of learning styles in learning
management systems by using literature-based method. Procedia-Social and Behavioral
Sciences, 103, 181–189. https://doi.org/10.1016/j.sbspro.2013.10.324
importante, especialmente en regiones con infraestructuras limitadas. Esto requiere un compromiso por
parte de las instituciones públicas y privadas para garantizar que
los beneficios de estos sistemas sean accesibles a todos los estudiantes, independientemente de sus
condiciones.
Las implicaciones éticas de los sistemas de IA en la educación también son significativas, puesto que la
recolección masiva de datos plantea preocupaciones sobre la privacidad y el uso de la información
estudiantil, lo que exige un marco regulatorio claro que garantice la protección de los derechos de los
estudiantes. Asimismo, la falta de transparencia en los algoritmos y el riesgo de perpetuar sesgos en los
sistemas de IA son aspectos que deben abordarse para asegurar que la implementación de estos sistemas
sea justa y equitativa.
En términos de impacto en el sector educativo, los sistemas adaptativos representan una transformación
significativa en la manera en que se concibe el proceso de enseñanza- aprendizaje. La capacidad de
personalizar la educación a gran escala y de mejorar el rendimiento académico mediante la IA ofrece un
potencial notable para el futuro de la educación superior. Sin embargo, su efectividad dependerá de cómo
se integren en los contextos educativos, respetando las particularidades de cada institución y los
estudiantes.
Este estudio invita a la comunidad académica y científica a continuar explorando las posibilidades de la
inteligencia artificial en el aprendizaje, mediante investigaciones que evalúen su implementación en
diferentes contextos y disciplinas. Será fundamental adoptar enfoques interdisciplinarios que permitan
un desarrollo sostenible de estos sistemas, abordando tanto los desafíos como las oportunidades que
presentan en la mejora de la calidad educativa.
REFERENCIAS BIBLIOGRÁFICAS
Aguilar, J., Buendia, O., Pinto, A., & Gutiérrez, J. (2022). Social learning analytics for determining
learning styles in a smart classroom. Interactive Learning Environments, 30(2), 245–261.
https://doi.org/10.1080/10494820.2019.1651745
Ahmad, N., Tasir, Z., Kasim, J., & Sahat, H. (2013). Automatic detection of learning styles in learning
management systems by using literature-based method. Procedia-Social and Behavioral
Sciences, 103, 181–189. https://doi.org/10.1016/j.sbspro.2013.10.324
pág. 13890
Aissaoui, O. E., El madani, Y. E. A., Oughdir, L., & Allioui, Y. E. (2019). Combining supervised and
unsupervised machine learning algorithms to predict the learners’ learning styles. Procedia
Computer Science, 148, 87–96. https://doi.org/10.1016/j.procs.2019.01.012
Alam, A. (2022). Employing adaptive learning and intelligent tutoring robots for virtual classrooms and
smart campuses: Reforming education in the age of artificial intelligence. En Lecture Notes in
Electrical Engineering (pp. 395–406). Springer Nature Singapore.
Aparicio-Gómez, O.Y., & Aparicio-Gómez, W.O. (2024). Innovación educativa con sistemas de
aprendizaje adaptativo impulsados por Inteligencia Artificial. Revista Internacional de
Pedagogía e Innovación Educativa, 4(2), 343–363. https://doi.org/10.51660/ripie42222
Apoki, U. C., & Crisan, G. C. (2022). A modular and semantic approach to personalised adaptive
learning: WASPEC 2.0. Applied Sciences, 12(15), 15. https://doi.org/10.3390/app12157690
Ariastuti, M. D., & Wahyudin, A. Y. (2022). Exploring academic performance and learning style of
undergraduate students in English education program. Journal of English Language Teaching
and Learning, 3(1), 1. https://doi.org/10.33365/jeltl.v3i1.1817
Beech, S. E. (2018). Adapting to change in the higher education system: international student mobility
as a migration industry. Journal of Ethnic and Migration Studies, 44(4), 610– 625.
https://doi.org/10.1080/1369183x.2017.1315515
Betancur-Chicué, V., & García-Valcárcel, A. (2023). Aplicación de los principios de la teoría cognitiva
del aprendizaje multimedia al diseño de situaciones de aprendizaje y escenarios de formación:
Revisión sistemática de literatura. Education in the Knowledge Society (EKS), 24, e30882.
https://doi.org/10.14201/eks.30882
Brown, A. L., & Palincsar, A. S. (2018). Guided, cooperative learning and individual knowledge
acquisition. En Knowing, Learning, and Instruction (pp. 393–451). Routledge.
Chiu, T. K. F., Moorhouse, B. L., Chai, C. S., & Ismailov, M. (2023). Teacher support and student
motivation to learn with Artificial Intelligence (AI) based chatbot. Interactive Learning
Environments, 1–17. https://doi.org/10.1080/10494820.2023.2172044
Choi, Y., & McClenen, C. (2020). Development of adaptive formative assessment system using
computerized adaptive testing and dynamic Bayesian networks. Applied Sciences (Basel,
Aissaoui, O. E., El madani, Y. E. A., Oughdir, L., & Allioui, Y. E. (2019). Combining supervised and
unsupervised machine learning algorithms to predict the learners’ learning styles. Procedia
Computer Science, 148, 87–96. https://doi.org/10.1016/j.procs.2019.01.012
Alam, A. (2022). Employing adaptive learning and intelligent tutoring robots for virtual classrooms and
smart campuses: Reforming education in the age of artificial intelligence. En Lecture Notes in
Electrical Engineering (pp. 395–406). Springer Nature Singapore.
Aparicio-Gómez, O.Y., & Aparicio-Gómez, W.O. (2024). Innovación educativa con sistemas de
aprendizaje adaptativo impulsados por Inteligencia Artificial. Revista Internacional de
Pedagogía e Innovación Educativa, 4(2), 343–363. https://doi.org/10.51660/ripie42222
Apoki, U. C., & Crisan, G. C. (2022). A modular and semantic approach to personalised adaptive
learning: WASPEC 2.0. Applied Sciences, 12(15), 15. https://doi.org/10.3390/app12157690
Ariastuti, M. D., & Wahyudin, A. Y. (2022). Exploring academic performance and learning style of
undergraduate students in English education program. Journal of English Language Teaching
and Learning, 3(1), 1. https://doi.org/10.33365/jeltl.v3i1.1817
Beech, S. E. (2018). Adapting to change in the higher education system: international student mobility
as a migration industry. Journal of Ethnic and Migration Studies, 44(4), 610– 625.
https://doi.org/10.1080/1369183x.2017.1315515
Betancur-Chicué, V., & García-Valcárcel, A. (2023). Aplicación de los principios de la teoría cognitiva
del aprendizaje multimedia al diseño de situaciones de aprendizaje y escenarios de formación:
Revisión sistemática de literatura. Education in the Knowledge Society (EKS), 24, e30882.
https://doi.org/10.14201/eks.30882
Brown, A. L., & Palincsar, A. S. (2018). Guided, cooperative learning and individual knowledge
acquisition. En Knowing, Learning, and Instruction (pp. 393–451). Routledge.
Chiu, T. K. F., Moorhouse, B. L., Chai, C. S., & Ismailov, M. (2023). Teacher support and student
motivation to learn with Artificial Intelligence (AI) based chatbot. Interactive Learning
Environments, 1–17. https://doi.org/10.1080/10494820.2023.2172044
Choi, Y., & McClenen, C. (2020). Development of adaptive formative assessment system using
computerized adaptive testing and dynamic Bayesian networks. Applied Sciences (Basel,
pág. 13891
Switzerland), 10(22), 8196. https://doi.org/10.3390/app10228196
Cooper, G. (2023). Examining science education in ChatGPT: An exploratory study of generative
artificial intelligence. Journal of Science Education and Technology, 32(3), 444–452.
https://doi.org/10.1007/s10956-023-10039-y
Dalgıç, A., Yaşar, E., & Demir, M. (2024). ChatGPT and learning outcomes in tourism education: The
role of digital literacy and individualized learning. Journal of Hospitality, Leisure, Sport &
Tourism Education, 34(100481), 100481. https://doi.org/10.1016/j.jhlste.2024.100481
De Oliveira, W. R., Et al. (2024). Students’ project for instrumentation and automation of a manually
operated torsion testing machine with educational purposes. International Journal of
Mechanical Engineering Education, 52(2), 157–171.
https://doi.org/10.1177/03064190231182125
Ezzaim, A., Dahbi, A., Aqqal, A., & Haidine, A. (2024). AI-based learning style detection in adaptive
learning systems: a systematic literature review. Journal of Computers in Education.
https://doi.org/10.1007/s40692-024-00328-9
Imhof, C., Bergamin, P., & McGarrity, S. (2020). Implementation of adaptive learning systems: Current
state and potential. En Cognition and Exploratory Learning in the Digital Age (pp. 93–115).
Springer International Publishing.
Kabudi, T., Pappas, I., & Olsen, D. H. (2021). AI-enabled adaptive learning systems: A systematic
mapping of the literature. Computers and Education: Artificial Intelligence, 2(100017), 100017.
https://doi.org/10.1016/j.caeai.2021.100017
Maffei, F., Neil, C. G., & Battaglia, N. (2024). Estilos de aprendizajes personalizados con inteligencia
artificial: un mapeo sistemático de la literatura. XXIX Congreso Argentino de Ciencias de la
Computación (CACIC) (Luján, 9 al 12 de octubre de 2023).
Mezirow, J. (2018). Transformative learning theory. En Contemporary Theories of Learning (pp.
114–128). Routledge.
Moncini, R., & Pirela, W. (2021). Estrategias de enseñanza virtual utilizadas con los alumnos de
educación superior para un aprendizaje significativo. Revista disciplinaria en ciencias
económicas y sociales, 3(1). https://doi.org/10.47666/summa.3.1.13
Switzerland), 10(22), 8196. https://doi.org/10.3390/app10228196
Cooper, G. (2023). Examining science education in ChatGPT: An exploratory study of generative
artificial intelligence. Journal of Science Education and Technology, 32(3), 444–452.
https://doi.org/10.1007/s10956-023-10039-y
Dalgıç, A., Yaşar, E., & Demir, M. (2024). ChatGPT and learning outcomes in tourism education: The
role of digital literacy and individualized learning. Journal of Hospitality, Leisure, Sport &
Tourism Education, 34(100481), 100481. https://doi.org/10.1016/j.jhlste.2024.100481
De Oliveira, W. R., Et al. (2024). Students’ project for instrumentation and automation of a manually
operated torsion testing machine with educational purposes. International Journal of
Mechanical Engineering Education, 52(2), 157–171.
https://doi.org/10.1177/03064190231182125
Ezzaim, A., Dahbi, A., Aqqal, A., & Haidine, A. (2024). AI-based learning style detection in adaptive
learning systems: a systematic literature review. Journal of Computers in Education.
https://doi.org/10.1007/s40692-024-00328-9
Imhof, C., Bergamin, P., & McGarrity, S. (2020). Implementation of adaptive learning systems: Current
state and potential. En Cognition and Exploratory Learning in the Digital Age (pp. 93–115).
Springer International Publishing.
Kabudi, T., Pappas, I., & Olsen, D. H. (2021). AI-enabled adaptive learning systems: A systematic
mapping of the literature. Computers and Education: Artificial Intelligence, 2(100017), 100017.
https://doi.org/10.1016/j.caeai.2021.100017
Maffei, F., Neil, C. G., & Battaglia, N. (2024). Estilos de aprendizajes personalizados con inteligencia
artificial: un mapeo sistemático de la literatura. XXIX Congreso Argentino de Ciencias de la
Computación (CACIC) (Luján, 9 al 12 de octubre de 2023).
Mezirow, J. (2018). Transformative learning theory. En Contemporary Theories of Learning (pp.
114–128). Routledge.
Moncini, R., & Pirela, W. (2021). Estrategias de enseñanza virtual utilizadas con los alumnos de
educación superior para un aprendizaje significativo. Revista disciplinaria en ciencias
económicas y sociales, 3(1). https://doi.org/10.47666/summa.3.1.13
pág. 13892
Olson, M. H., & Ramirez, J. J. (2020). An introduction to theories of learning. Routledge.
Perrotta, C., & Selwyn, N. (2020). Deep learning goes to school: toward a relational understanding of
AI in education. Learning, Media and Technology, 45(3), 251–269.
https://doi.org/10.1080/17439884.2020.1686017
Rani, G., Et al. (2024). An automated class intimation system for educational institutions using artificial
neural networks. 2024 3rd International Conference on Applied Artificial Intelligence and
Computing (ICAAIC), 29, 1–6.
Ríos-Rodríguez, L. R., Román-Cao, E., & Pérez-Medinilla, Y. T. (2021). La dirección del trabajo
independiente mediante el ambiente de enseñanza-aprendizaje adaptativo APA- Prolog. Revista
Electrónica Educare, 25(1), 1–22. https://doi.org/10.15359/ree.25-1.11
Rivera-Arzola, E. Z. (2021). Aprendizaje Personalizado: Estrategia Tecno-Educativa a Estudiantes de
Computación de Nivel Superior. Revista Tecnológica-Educativa Docentes 2.0, 11(2), 40–47.
https://doi.org/10.37843/rted.v11i2.249
Sabeima, M., Lamolle, M., & Nanne, M. F. (2022). Towards personalized adaptive learning in e-learning
recommender systems. International Journal of Advanced Computer Science and Applications,
13(8). https://doi.org/10.14569/ijacsa.2022.0130803
Thai, H., Et al. (2024). Educational technology and responsible automated essay scoring in the generative
AI era. En Practice, Progress, and Proficiency in Sustainability (pp. 325– 356). IGI Global.
Truong, H. M. (2016). Integrating learning styles and adaptive e-learning system: Current developments,
problems and opportunities. Computers in Human Behavior, 55, 1185– 1193.
https://doi.org/10.1016/j.chb.2015.02.014
Van Nuland, S., Mandzuk, D., Tucker Petrick, K., & Cooper, T. (2020). COVID-19 and its effects on
teacher education in Ontario: a complex adaptive systems perspective. Journal of
Education for Teaching International Research and Pedagogy, 46(4), 442–451.
https://doi.org/10.1080/02607476.2020.1803050
Vázquez, L., & Navarro, J. (2024). Explorar los matices: aprendizaje personalizado y adaptativo en la
educación digital. Revista digital universitaria, 25(1).
https://doi.org/10.22201/cuaieed.16076079e.2024.25.1.10
Olson, M. H., & Ramirez, J. J. (2020). An introduction to theories of learning. Routledge.
Perrotta, C., & Selwyn, N. (2020). Deep learning goes to school: toward a relational understanding of
AI in education. Learning, Media and Technology, 45(3), 251–269.
https://doi.org/10.1080/17439884.2020.1686017
Rani, G., Et al. (2024). An automated class intimation system for educational institutions using artificial
neural networks. 2024 3rd International Conference on Applied Artificial Intelligence and
Computing (ICAAIC), 29, 1–6.
Ríos-Rodríguez, L. R., Román-Cao, E., & Pérez-Medinilla, Y. T. (2021). La dirección del trabajo
independiente mediante el ambiente de enseñanza-aprendizaje adaptativo APA- Prolog. Revista
Electrónica Educare, 25(1), 1–22. https://doi.org/10.15359/ree.25-1.11
Rivera-Arzola, E. Z. (2021). Aprendizaje Personalizado: Estrategia Tecno-Educativa a Estudiantes de
Computación de Nivel Superior. Revista Tecnológica-Educativa Docentes 2.0, 11(2), 40–47.
https://doi.org/10.37843/rted.v11i2.249
Sabeima, M., Lamolle, M., & Nanne, M. F. (2022). Towards personalized adaptive learning in e-learning
recommender systems. International Journal of Advanced Computer Science and Applications,
13(8). https://doi.org/10.14569/ijacsa.2022.0130803
Thai, H., Et al. (2024). Educational technology and responsible automated essay scoring in the generative
AI era. En Practice, Progress, and Proficiency in Sustainability (pp. 325– 356). IGI Global.
Truong, H. M. (2016). Integrating learning styles and adaptive e-learning system: Current developments,
problems and opportunities. Computers in Human Behavior, 55, 1185– 1193.
https://doi.org/10.1016/j.chb.2015.02.014
Van Nuland, S., Mandzuk, D., Tucker Petrick, K., & Cooper, T. (2020). COVID-19 and its effects on
teacher education in Ontario: a complex adaptive systems perspective. Journal of
Education for Teaching International Research and Pedagogy, 46(4), 442–451.
https://doi.org/10.1080/02607476.2020.1803050
Vázquez, L., & Navarro, J. (2024). Explorar los matices: aprendizaje personalizado y adaptativo en la
educación digital. Revista digital universitaria, 25(1).
https://doi.org/10.22201/cuaieed.16076079e.2024.25.1.10
pág. 13893
Véliz, A., Madrigal, O. C., & Kugurakova, V. (2021). Aprendizaje adaptativo basado en Simuladores de
Realidad Virtual. Revista cubana de ciencias informáticas, 15(2), 138–
157. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2227-
18992021000200138&lng=es&tlng=es
Villamañe, M., & Alvarez, A. (2024). Facilitating and automating usability testing of educational
technologies. Computer Applications in Engineering Education, 32(3).
https://doi.org/10.1002/cae.22725
Williamson, B., & Eynon, R. (2020). Historical threads, missing links, and future directions in AI in
education. Learning, Media and Technology, 45(3), 235-249.
https://doi.org/10.1080/17439884.2020.1798995
Xie, H., Et al. (2019). Trends and development in technology-enhanced adaptive/personalized learning:
A systematic review of journal publications from 2007 to 2017. Computers & Education,
140(103599), 103599. https://doi.org/10.1016/j.compedu.2019.103599
Véliz, A., Madrigal, O. C., & Kugurakova, V. (2021). Aprendizaje adaptativo basado en Simuladores de
Realidad Virtual. Revista cubana de ciencias informáticas, 15(2), 138–
157. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2227-
18992021000200138&lng=es&tlng=es
Villamañe, M., & Alvarez, A. (2024). Facilitating and automating usability testing of educational
technologies. Computer Applications in Engineering Education, 32(3).
https://doi.org/10.1002/cae.22725
Williamson, B., & Eynon, R. (2020). Historical threads, missing links, and future directions in AI in
education. Learning, Media and Technology, 45(3), 235-249.
https://doi.org/10.1080/17439884.2020.1798995
Xie, H., Et al. (2019). Trends and development in technology-enhanced adaptive/personalized learning:
A systematic review of journal publications from 2007 to 2017. Computers & Education,
140(103599), 103599. https://doi.org/10.1016/j.compedu.2019.103599