Aprendizaje Adaptativo: Innovaciones en la Personalización del Proceso Educativo en Lengua y Literatura a través de la Tecnología

Palabras clave: aprendizaje adaptativo, personalización educativa, tecnología educativa, enseñanza de la literatura, herramientas adaptativas

Resumen

El aprendizaje adaptativo representa una innovación significativa en el campo de la educación, particularmente en la enseñanza de la literatura. A través del uso de tecnología avanzada, este enfoque permite la personalización del proceso educativo, adaptándose a las necesidades y ritmos de aprendizaje individuales de los estudiantes. En este artículo se exploran las diversas herramientas tecnológicas que facilitan el aprendizaje adaptativo, sus aplicaciones prácticas en el aula de literatura, y los beneficios observados tanto en la comprensión como en la motivación de los estudiantes. Se analizan también estudios de caso y datos empíricos para evaluar la efectividad de estas metodologías en comparación con los métodos tradicionales de enseñanza. Los hallazgos indican que el uso de tecnologías adaptativas no solo mejora el rendimiento académico, sino que también promueve una mayor participación y satisfacción entre los estudiantes. Además, se discuten los desafíos y las consideraciones éticas relacionadas con la implementación de estas tecnologías, así como las posibles direcciones futuras de investigación en este campo emergente. El aprendizaje adaptativo utiliza algoritmos de inteligencia artificial y análisis de datos para ajustar el contenido educativo en tiempo real, proporcionando a cada estudiante un camino de aprendizaje personalizado. Esto no solo facilita una mejor comprensión de los textos literarios, sino que también permite a los estudiantes avanzar a su propio ritmo, abordando de manera efectiva sus áreas de dificultad. Las plataformas de aprendizaje adaptativo pueden incorporar una variedad de recursos multimedia, como videos, actividades interactivas y ejercicios personalizados, que enriquecen la experiencia educativa y mantienen el interés del estudiante. Los estudios de caso presentados en este artículo muestran que las instituciones que han implementado tecnologías adaptativas han visto mejoras significativas en los resultados de sus estudiantes. Estas mejoras no se limitan solo a las calificaciones, sino que también incluyen un aumento en la motivación y el compromiso de los estudiantes con el aprendizaje. Los profesores también han reportado beneficios, destacando la capacidad de las herramientas adaptativas para proporcionar información detallada sobre el progreso y las necesidades de cada estudiante, lo que les permite adaptar su enseñanza de manera más efectiva. A pesar de los numerosos beneficios, la adopción del aprendizaje adaptativo no está exenta de desafíos. La necesidad de formación y apoyo continuo para los profesores, así como las preocupaciones sobre la privacidad y el uso de datos, son aspectos que deben ser considerados cuidadosamente. Sin embargo, con un enfoque equilibrado y una implementación cuidadosa, el aprendizaje adaptativo tiene el potencial de transformar la enseñanza de la literatura, ofreciendo una educación más personalizada y efectiva para todos los estudiantes.

Descargas

La descarga de datos todavía no está disponible.

Citas

Ali, L., & Jaschke, A. C. (2021). Data-Driven Decision Making in Education: A Review of Cur-rent Practices. Journal of Learning Analytics, 8(1), 3–20.

Azevedo, R., & Gašević, D. (2020). Analyzing Multimodal Data for Understanding Self-Regulated Learning in Open-ended Learning Environments. Educational Psychologist, 55(2), 84–107.

Baker, R. S., & Siemens, G. (2022). Learning analytics and educational data mining. In The Cambridge Handbook of the Learning Sciences (pp. 259–278). Cambridge University Press.

Bedenlier, S., Bond, M., Buntins, K., Zawacki-Richter, O., & Kerres, M. (2020). Facilitating student engagement through educational technology in higher education: A systematic re-view in the field of arts and humanities. Australas. J. Educ. Technol., 126–150.

Bowers, A. J. (2021). Early Warning Systems and Indicators of Dropout Risk. Review of Educa-tional Research, 91(4), 522–558.

Buckingham Shum, S., & Deakin Crick, R. (2016). Learning analytics for 21st century compe-tencies. J. Learn. Anal., 3(2), 6–21.

Chen, B., & Resendes, M. (2022). Exploring Knowledge Building Analytics in Elementary Sci-ence. Computers & Education, 178.

Daniel, B. K. (2019). Big Data and Data Science in Education: Theory and Practice. Journal of Research on Technology in Education, 51(3), 215–229.

Deboer, J., & Ho, A. D. (2020). Stemming the Tide: Predicting STEM Major Attrition in Higher Education. Science Education, 104(4), 791–811.

D’Mello, S., & Graesser, A. (2012). Dynamics of affective states during complex learning. Learn. Instr., 22(2), 145–157.

Gašević, D., & Dawson, S. (2015). Learning Analytics in Higher Education: The State of the Field and Future Directions. Computers in Human Behavior, 47, 149–162.

Heffernan, N. T., & Koedinger, K. R. (2012). The Future of Cognitive Tutors. Journal of Edu-cational Computing Research, 46(4), 341–381.

Huang, R., & He, K. (2020). A Review of Online Learning and Learning Analytics in Higher Education. International Journal of Education and Development Using ICT, 16(2), 1–13.

Hwang, G. J., & Chang, H. F. (2021). A Review of Trends in Educational Technology Re-search. Computers & Education, 168.

Johnson, L., Becker, A., Estrada, S., & Freeman, V. (2015). *NMC Horizon Report: 2015 K-12 Edition.

Johnson, L., & Becker, S. (2017). Horizon Report: 2017 Higher Education Edition.

Kalantzis, M., & Cope, B. (2012). New Learning: Elements of a Science of Education. Cam-bridge University Press.

Kizilcec, R. F., & Halawa, S. (2015). Attrition and achievement gaps in online learning. Pro-ceedings of the Second (2015) ACM Conference on Learning @ Scale.

Koedinger, K. R., & Aleven, V. (2016). An Overview of Cognitive Tutors. International Jour-nal of Artificial Intelligence in Education, 26(1), 95–104.

Lajoie, S. P., & Derry, S. J. (2013). Computers as Cognitive Tools: No More Walls. Lawrence Erlbaum Associates.

Long, P., & Siemens, G. (2011). Penetrating the Fog: Analytics in Learning and Education. ED-UCAUSE Review, 46(5), 31–40.

Luckin, R., & Holmes, W. (2016). A Learner-Centred Approach to Learning Analytics. British Journal of Educational Technology, 47(5), 768–780.

Macfadyen, L. P., & Dawson, S. (2012). Why e-Learning Analytics Failed to Inform an Institu-tional Strategic Plan. Educational Technology & Society, 15(3), 149–163.

Major, L., & Watson, S. (2018). Using Learning Analytics to Investigate Engagement in Open Online Courses. British Journal of Educational Technology, 49(6), 1291–1304.

Martin, F., & Polly, D. (2019). Examining Higher Education Faculty Use of Current Digital Technologies: Importance, Competence, and Motivation. International Journal of Teaching and Learning in Higher Education, 31(1), 10–22.

Moskal, P. D., & Thompson, K. V. (2017). Assessing Student Learning in an Online Environ-ment. New Directions for Higher Education, 59–70.

Oliver, M., & Trigwell, K. (2005). Can “blended learning” be redeemed? E-Learn., 2(1), 17.

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

Macias Garzón , G. X., & Rodriguez Leuro , A. I. (2024). Educación en Prisión: Opacidades y Oportunidades desde la Perspectiva Docente. Estudios Y Perspectivas Revista Científica Y Académica , 4(1), 2166–2189. https://doi.org/10.61384/r.c.a.v4i1.171

Mendoza Martinez , C. C. (2024). Los introyectos sociales en la crianza en madres tradicionales mexicanas. Revista Científica De Salud Y Desarrollo Humano, 5(1), 325–345. https://doi.org/10.61368/r.s.d.h.v5i1.97

Batista Azevedo, M. A., & Cavalcante Serpa, N. (2023). Poder e o Empoderamento Feminino. Revista Veritas De Difusão Científica, 4(2), 1–23. https://doi.org/10.61616/rvdc.v4i2.43

Fernández C., F. (2024). Determinación De Erodabilidad En Áreas De Influencia Cuenca Poopo Región Andina De Bolivia. Horizonte Académico, 4(4), 63–78. Recuperado a partir de https://horizonteacademico.org/index.php/horizonte/article/view/19

Medina Nolasco, E. K., Mendoza Buleje, E. R., Vilca Apaza, G. R., Mamani Fernández, N. N., & Alfaro Campos, K. (2024). Tamizaje de cáncer de cuello uterino en mujeres de una región Andina del Perú. Arandu UTIC, 11(1), 50–63. https://doi.org/10.69639/arandu.v11i1.177

Da Silva Santos , F., & López Vargas , R. (2020). Efecto del Estrés en la Función Inmune en Pacientes con Enfermedades Autoinmunes: una Revisión de Estudios Latinoamericanos. Revista Científica De Salud Y Desarrollo Humano, 1(1), 46–59. https://doi.org/10.61368/r.s.d.h.v1i1.9

Papamitsiou, Z., & Economides, A. A. (2014). Learning Analytics and Educational Data Mining in Practice. Journal of Educational Technology & Society, 17(4), 49–64.

Pea, R. D. (2014). The Learning Sciences: Future Directions. Review of Research in Education, 38(1), 683–721.

Penuel, W. R., & Gallagher, L. P. (2017). Creating Research-Practice Partnerships in Educa-tion. Harvard Education Press.

Rosé, C. P., & Tovares, A. (2015). What Sociolinguistics Can Do for Learning Analytics. Inter-national Journal of Learning Analytics and Artificial for Education, 2(1), 14–31.

Salmerón, L., & Naumann, J. (2021). The Role of Comprehension Strategies and Adaptive Nav-igation in the Understanding of Digital Texts. Learning and Instruction, 71.

Siemens, G., & Baker, R. (2012). Learning Analytics and Educational Data Mining: Towards Communication and Collaboration. In Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (pp. 252–254).

Slavin, R. E., & Madden, N. A. (2009). Two Million Children: Success for All. Corwin Press.

Star, J. R., & Rittle-Johnson, B. (2008). Flexibility in problem solving: The case of equation solving. Learn. Instr., 18(6), 565–579.

Subbian, V., & Feeley, M. E. (2017). A Case Study of Adaptive Learning in Higher Education. Journal of Higher Education Theory and Practice, 17(3), 68–80.

Tempelaar, D. T., & Rienties, B. (2020). Personalised Learning Analytics. Computers in Human Behavior, 107.

Uttl, B., & White, C. A. (2017). Evaluating Evidence in Psychology. PLOS ONE, 12(1).

Walkington, C., Bernacki, M., Walkington, C., & Bernacki, M. (2018). Personalization of Learning. Personalization of Learning, 86, 23–40.

Williamson, B. (2017). Learning in the `Platform Society. Learning, Media and Technology, 42(4), 460–477.

Zawacki-Richter, O., & Latchem, C. (2018). Exploring four decades of research in Computers & Education. Comput. Educ., 122, 136–152.

Zimmerman, B. J. (2008). Investigating self-regulation and motivation: Historical background, methodological developments, and future prospects. Am. Educ. Res. J., 45(1), 166–183.

Zou, D., & Lambert, J. (2021). Investigating the Impact of Mobile Learning Adoption on Learn-ers’ Academic Performance: A Meta-Analysis. Educational Technology Research and De-velopment, 69(1), 65–84.

Publicado
2024-08-02
Cómo citar
Santana Mero, A. P., Bernal Párraga, A. P., Herrera Cantos, J. F., Bayas Chacha, L. M., Muñoz Solorzano, J. M., Ordoñez Ruiz, I., Santin Castillo, A. P., & Jijon Sacon, F. J. (2024). Aprendizaje Adaptativo: Innovaciones en la Personalización del Proceso Educativo en Lengua y Literatura a través de la Tecnología. Ciencia Latina Revista Científica Multidisciplinar, 8(4), 480-517. https://doi.org/10.37811/cl_rcm.v8i4.12292
Sección
Ciencias de la Educación

Artículos más leídos del mismo autor/a

1 2 > >>