Impulsando el Aprendizaje en el Aula: El Rol de las Aplicaciones de Aprendizaje Adaptativo Impulsadas por Inteligencia Artificial en la Edu-cación Básica
Resumen
Este artículo analiza el impacto potencial de las aplicaciones de aprendizaje adaptativo impulsadas por inteligencia artificial (IA) en la educación básica. Con el avance continuo de la tecnología, estas aplicaciones se han destacado como herramientas prometedoras para mejorar la retención de conocimientos y la participación de los estudiantes en el aula. El estudio examina cómo estas aplicaciones, al adaptarse de manera personalizada al ritmo y estilo de aprendizaje de cada estudiante, pueden facilitar una experiencia educativa más eficaz y personalizada. Se presentan ejemplos de implementaciones exitosas, destacando cómo estas herramientas han mejorado los resultados educativos en diversos contextos. Además, se abordan los desafíos y consideraciones éticas asociados con la integración de la IA en la educación básica, tales como la privacidad de los datos de los estudiantes y la equidad en el acceso a la tecnología. Los hallazgos sugieren que las aplicaciones de aprendizaje adaptativo tienen el potencial de transformar significativamente la forma en que se enseña y se aprende en el aula. Este estudio ofrece una visión prometedora del futuro de la educación, subrayando la necesidad de un enfoque cuidadoso y considerado en la implementación de tecnologías de IA para maximizar sus beneficios y mitigar posibles riesgos. Concluye que, a pesar de los desafíos, el uso adecuado de la IA en la educación básica puede contribuir significativamente a una enseñanza más efectiva e inclusiva, mejorando la experiencia de aprendizaje para todos los estudiantes.
Descargas
Citas
Bounajim, D., Rachmatullah, A., Hinckle, M., Mott, B., Lester, J., Smith, A., Emerson, A., Morshed Fahid, F., Tian, X., Wiggins, J. B., Elizabeth Boyer, K., & Wiebe, E. (2021). Applying cognitive Load Theory to examine STEM undergraduate students’ experiences in an adaptive learning environment: A mixed-methods study. Proc. Hum. Factors Ergon. Soc. Annu. Meet., 65(1), 556–560.
Cardona, T., Cudney, E. A., Hoerl, R., & Snyder, J. (2023). Data mining and machine learning retention models in higher education. J. Coll. Stud. Ret., 25(1), 51–75.
Chang, Y.-S., Chen, Y.-S., & Chiang, C.-W. (2019). RETRACTED ARTICLE: The differences in pleasing value and learning performance among different groups using mobile aug-mented reality system for cultural environment learning. Multimed. Tools Appl., 78(4), 4965–4986.
Corbett, A. T., & Anderson, J. R. (1995). Knowledge tracing: Modeling the acqui-sition of pro-cedural knowledge. User Modeling and User-Adapted Interaction, 4(4), 253–278.
Garc\’\ia, J. C. R. (2019). Factores que influyen en la relación enseñanza-aprendizaje al interior del aula de clase en la IE Maria Dolorosa-Francisco Javier del municipio de Pereira, en el segundo semestre de 2019 (Doctoral dissertation).
Hidi, S., & Renninger, K. A. (2006). The four-phase model of interest develop-ment. Education-al Psychologist, 41(2), 111–127.
Holicza, B., & Kiss, A. (2023). Predicting and comparing students’ online and offline academic performance using machine learning algorithms. Behav. Sci. (Basel), 13(4).
Johnson, L., Adams, S., & Haywood, K. (2013). Personalización del aprendizaje: Un estudio de casos desde la práctica. British Journal of Educational Technology, 44(6), E178–E181.
Koedinger, K. R., & Corbett, A. T. (2006). Cognitive tutors: Technology bringing learning sci-ences to the classroom. In K. En (Ed.), The Cambridge Hand-book of the Learning Sci-ences (pp. 61–78). Cambridge University Press.
Konda, A. K. R., Jimada, S., Cherukuri, P. A. A., & Sarma, M. J. (2021). Chatbot implementa-tion for enhancement of student understanding—A natural language processing ap-proach. In Algorithms for Intelligent Systems (pp. 171–180). Springer Singapore.
Koniukhov Viacheslav Osadchyi, I. K. (2020). Personalized and Adaptive ICT-Enhanced Learn-ing: A Brief Review of Research from 2010 to 2019. In Researchgate.net.
Kulik, C.-L. C., & Kulik, J. A. (1991). Effectiveness of computer-based instruction: An updated analysis. In Umich.edu.
Malone, T. W. (1981). Toward a theory of intrinsically motivating instruction. Cognitive Sci-ence, 5(4), 333–369.
Mayer, R. E. (2014). The Cambridge Handbook of Multimedia Learning (E. R. E. Mayer, Ed.). Cambridge University Press.
Qu, Y., & Ogunkunle, O. (2021). Enhancing the intelligence of the adaptive learning software through an AI assisted data analytics on students learning attributes with unequal weight. 2021 IEEE Frontiers in Education Conference (FIE).
Quinn, E. D., Atkins, K., & Cook, A. (2023). Exploring classroom factors and augmentative and alternative communication use in qualitative interviews. Am. J. Speech. Lang. Pathol., 32(5), 2158–2177.
Regueiro Salgado, B. (2022). Amando López Valero, Eduardo Encabo Fernández, Isabel Jerez Mart\’\inez, Lourdes Hernández Delgado (2021). Literatura infantil y lectura dialógica. La formación de educadores desde la investigación. Barcelona: Octaedro. 138 pp. Di-dáct. Leng. Lit., 34, 211–212.
Ta, H. T. T., Nguyen, C. H., Le, H. T., Pham, N. T. T., Pham, H. T., & Trinh, N. T. (2023). Sur-vey dataset on student perceptions and experiences of quality assurance in Vietnamese universities. Data Brief, 49(109305), 109305.
López Pérez, A. M. (2023). Formación Profesional y Enseñanza Virtual: Un Análisis en Estudiantes del Instituto Superior Pedagógico Público Huaraz. Estudios Y Perspectivas Revista Científica Y Académica , 3(2), 1–15. https://doi.org/10.61384/r.c.a.v3i2.27
Hoyos Santos, L. B., Alzate Mejía, O. A., Posada Estrada, A., Benítez Jiménez, D. D., & Muñoz Alzate, J. M. (2024). Efectividad de sustancias alternativas al formol en la fijación y conservación de estructuras y tejidos en laboratorios de patología. Revista Científica De Salud Y Desarrollo Humano, 5(2), 206–225. https://doi.org/10.61368/r.s.d.h.v5i2.133
Leyva Castro , G. del R. (2023). La Falta de Aplicación de Estrategias Didácticas en Matemáticas en Alumnos de Secundaria, y el Bajo Rendimiento Académico que presentan. Emergentes - Revista Científica, 3(2), 164–194. https://doi.org/10.60112/erc.v3i2.93
Flores Jaramillo, J. D., & Nuñez Olivera, N. R. (2024). Aplicación de Inteligencia Artificial en la Educación de América Latina: Tendencias, Beneficios y Desafíos. Revista Veritas De Difusão Científica, 5(1), 01–21. https://doi.org/10.61616/rvdc.v5i1.52
Da Silva Santos, Felipe y Renata López Vargas. "Efecto del estrés sobre la función inmune en pacientes con enfermedades autoinmunes: una revisión de estudios latinoamericanos".
VanLEHN, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educ. Psychol., 46(4), 197–221.
Wang, X., Huang, R. ``tammy’’, Sommer, M., Pei, B., Shidfar, P., Rehman, M. S., Ritzhaupt, A. D., & Martin, F. (2024). The efficacy of artificial intelligence-enabled adaptive learning systems from 2010 to 2022 on learner outcomes: A meta-analysis. J. Educ. Comput. Res.
Yu, Y.-T., Yu, G., & Zhao, Y.-Q. (2018). Exploring an innovative student satisfaction study on social media: A method combing satisfaction theory with natural language processing technology. 2018 International Conference on Management Science and Engineering (ICMSE).
Zhang, L., Bowman, D. A., & Jones, C. N. (2019). Exploring effects of interactivity on learning with interactive storytelling in immersive virtual reality. 2019 11th International Confer-ence on Virtual Worlds and Games for Serious Applications (VS-Games).
Derechos de autor 2024 Marjorie Geoconda Zamora Arana , Augusto Paolo Bernal Párraga, Omar Alexander Ruiz Cires, Edith Geovanna Cholango Tenemaza, Alicia Patricia Santana Mero
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.jpg)
.png)
.png)
1.png)
