����������������������������������������������������������������������������������

 

 

IA en la educaci�n personalizada y sistemas inteligentes adaptativos: un enfoque basado en redes neuronales recurrentes

 

AI in personalized education and adaptive intelligent systems: an approach based on recurrent neural networks

 

IA na educa��o personalizada e sistemas inteligentes adaptativos: uma abordagem baseada em redes neurais recorrentes

 

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: eduardo.florc@ug.edu.ec

 

Ciencias de la Educaci�n

Art�culo de Investigaci�n

 

 

* Recibido: 25 de marzo de 2025 *Aceptado: 28 de abril de 2025 * Publicado: �31 de mayo de 2025

 

         I.            Ing. MBA. Docente de la facultad de Ciencias Matem�ticas y F�sicas, Universidad de Guayaquil, Ecuador.

       II.            Ing. Msc. Docente Ministerio de Educaci�n, Ecuador.

      III.            Lcda. Msc. Docente Ministerio de Educaci�n, Ecuador.

     IV.            Lcda. Msc. Docente Ministerio de Educaci�n, Ecuador.

        V.            Ing. Mgs. Docente de la facultad de Ciencias Matem�ticas y F�sicas, Universidad de Guayaquil, Ecuador.

Resumen

El presente art�culo aborda el dise�o, implementaci�n y evaluaci�n de sistemas inteligentes adaptativos (SIA) aplicados al aprendizaje personalizado, con base en el uso de redes neuronales recurrentes (RNN). Estos sistemas representan una innovaci�n significativa en la educaci�n virtual al incorporar algoritmos que permiten analizar secuencias temporales del comportamiento del estudiante y predecir sus necesidades futuras. A partir de un enfoque metodol�gico mixto, se desarroll� un prototipo de SIA que fue integrado en un entorno virtual de aprendizaje en el que participaron 120 estudiantes universitarios de la carrera de Ingenier�a en Sistemas. La intervenci�n consisti� en el uso diferenciado de una plataforma con y sin adaptaciones inteligentes durante seis semanas. Los resultados cuantitativos mostraron una mejora estad�sticamente significativa en el rendimiento acad�mico del grupo experimental frente al grupo control, adem�s de un incremento en los niveles de autonom�a, satisfacci�n y percepci�n positiva del aprendizaje. Por su parte, los hallazgos cualitativos revelaron una alta aceptaci�n del sistema por parte de docentes y estudiantes, quienes valoraron su capacidad para ofrecer rutas personalizadas, retroalimentaci�n oportuna y contenidos ajustados a las fortalezas y debilidades individuales. Asimismo, los informes generados por el sistema coincidieron con los desempe�os observados, lo que valid� su coherencia funcional. El an�lisis de resultados sugiere que las RNN ofrecen ventajas sustantivas frente a otros enfoques de personalizaci�n educativa, especialmente en contextos donde el seguimiento continuo del aprendizaje es complejo. Se discuten implicaciones pedag�gicas, t�cnicas y �ticas, destacando la necesidad de resguardar la privacidad de los datos y garantizar la transparencia algor�tmica. En conjunto, este estudio provee evidencia emp�rica sobre el potencial de los SIA como herramientas clave para una educaci�n m�s inclusiva, eficaz y centrada en el estudiante en el contexto de la transformaci�n digital.

Palabras clave: aprendizaje personalizado; sistemas inteligentes adaptativos; redes neuronales recurrentes; educaci�n virtual; predicci�n de comportamiento.

 

Abstract

This article addresses the design, implementation, and evaluation of intelligent adaptive systems (IAS) applied to personalized learning, based on the use of recurrent neural networks (RNNs). These systems represent a significant innovation in virtual education by incorporating algorithms that allow the analysis of temporal sequences of student behavior and predicting their future needs. Using a mixed-methodological approach, an AIS prototype was developed and integrated into a virtual learning environment in which 120 university students from the Systems Engineering program participated. The intervention consisted of the differentiated use of a platform with and without intelligent adaptations for six weeks. The quantitative results showed a statistically significant improvement in the academic performance of the experimental group compared to the control group, in addition to increased levels of autonomy, satisfaction, and positive perception of learning. Qualitative findings revealed high acceptance of the system by teachers and students, who valued its ability to offer personalized pathways, timely feedback, and content tailored to individual strengths and weaknesses. Furthermore, the reports generated by the system matched the observed performance, validating its functional consistency. The analysis of the results suggests that RNNs offer substantial advantages over other educational personalization approaches, especially in contexts where continuous learning monitoring is complex. Pedagogical, technical, and ethical implications are discussed, highlighting the need to protect data privacy and ensure algorithmic transparency. Overall, this study provides empirical evidence of the potential of AIS as key tools for more inclusive, effective, and student-centered education in the context of digital transformation.

Keywords: personalized learning; intelligent adaptive systems; recurrent neural networks; virtual education; behavior prediction.

 

Resumo

Este artigo aborda o projeto, a implementa��o e a avalia��o de sistemas inteligentes adaptativos (SIA) aplicados � aprendizagem personalizada, com base no uso de redes neurais recorrentes (RNN). Esses sistemas representam uma inova��o significativa na educa��o virtual ao incorporar algoritmos que permitem a an�lise de sequ�ncias temporais do comportamento dos alunos e a previs�o de suas necessidades futuras. Utilizando uma abordagem metodol�gica mista, um prot�tipo de SIA foi desenvolvido e integrado a um ambiente virtual de aprendizagem com a participa��o de 120 alunos de gradua��o em Engenharia de Sistemas. A interven��o consistiu no uso diferenciado de uma plataforma com e sem adapta��es inteligentes durante seis semanas. Os resultados quantitativos mostraram uma melhora estatisticamente significativa no desempenho acad�mico do grupo experimental em compara��o ao grupo controle, bem como um aumento nos n�veis de autonomia, satisfa��o e percep��o positiva da aprendizagem. Os resultados qualitativos revelaram alta aceita��o do sistema por professores e alunos, que valorizaram sua capacidade de oferecer caminhos de aprendizagem personalizados, feedback oportuno e conte�do adaptado aos pontos fortes e fracos individuais. Al�m disso, os relat�rios gerados pelo sistema corresponderam ao desempenho observado, validando sua consist�ncia funcional. A an�lise dos resultados sugere que as RNNs oferecem vantagens substanciais sobre outras abordagens de personaliza��o educacional, especialmente em contextos onde o monitoramento cont�nuo do aprendizado � complexo. Implica��es pedag�gicas, t�cnicas e �ticas s�o discutidas, destacando a necessidade de proteger a privacidade dos dados e garantir a transpar�ncia algor�tmica. No geral, este estudo fornece evid�ncias emp�ricas sobre o potencial das ASIs como ferramentas essenciais para uma educa��o mais inclusiva, eficaz e centrada no aluno no contexto da transforma��o digital.

Palavras-chave: aprendizagem personalizada; sistemas inteligentes adaptativos; redes neurais recorrentes; educa��o virtual; previs�o de comportamento.

 

Introducci�n

En la actualidad, la educaci�n personalizada se ha convertido en una prioridad para los sistemas educativos que buscan adaptarse a las necesidades y ritmos individuales de los estudiantes. El avance de la inteligencia artificial (IA), particularmente en el campo del aprendizaje autom�tico, ha permitido el desarrollo de herramientas que facilitan esta adaptaci�n. Entre estas herramientas destacan los sistemas inteligentes adaptativos (SIA), los cuales integran capacidades de an�lisis, predicci�n y personalizaci�n del proceso de ense�anza-aprendizaje (Carbonell et al., 2020).

Los SIA representan una evoluci�n significativa de los sistemas tradicionales de gesti�n del aprendizaje (LMS), ya que no solo almacenan contenidos, sino que tambi�n interact�an de manera din�mica con el comportamiento del estudiante, generando experiencias educativas �nicas (Moura & Aires, 2022). Esta adaptabilidad se ve potenciada por el uso de redes neuronales, en especial las redes neuronales recurrentes (RNN), que tienen la capacidad de analizar datos secuenciales y temporales, lo cual es crucial para modelar la evoluci�n del aprendizaje a lo largo del tiempo (Goodfellow, Bengio & Courville, 2016).

Las RNN han demostrado una gran eficacia en el procesamiento del lenguaje natural, la predicci�n de series temporales y la clasificaci�n de secuencias, caracter�sticas que pueden trasladarse al �mbito educativo para identificar patrones de estudio, niveles de atenci�n y momentos cr�ticos de intervenci�n pedag�gica (Lipton, 2015). Estas redes pueden aprender del historial de interacciones del estudiante, permitiendo adaptar los contenidos y metodolog�as en funci�n de sus progresos o dificultades.

Este enfoque se alinea con los principios del aprendizaje centrado en el estudiante, el cual busca fomentar la autonom�a, el pensamiento cr�tico y la autorregulaci�n del conocimiento. De acuerdo con Barr y Tagg (1995), este paradigma transforma la educaci�n desde la ense�anza hacia el aprendizaje, haciendo de la personalizaci�n un componente central de la calidad educativa.

Adem�s, diversos estudios han mostrado que los estudiantes que interact�an con plataformas adaptativas logran mejores resultados acad�micos y desarrollan mayores niveles de compromiso (Arroyo et al., 2014). Estas plataformas, al basarse en modelos predictivos, permiten intervenir oportunamente en los procesos de ense�anza, evitando rezagos y promoviendo la inclusi�n.

Sin embargo, el dise�o y la implementaci�n de SIA basados en RNN tambi�n presentan importantes desaf�os, como la calidad de los datos, la necesidad de supervisi�n pedag�gica constante y los dilemas �ticos sobre el uso de informaci�n sensible (Holstein et al., 2019). Por ello, la investigaci�n en este campo debe ser rigurosa y multidisciplinaria.

Este art�culo tiene como objetivo analizar el impacto de un sistema inteligente adaptativo basado en redes neuronales recurrentes implementado en un entorno virtual universitario. Se busca comprender c�mo estas herramientas pueden contribuir a un aprendizaje m�s personalizado, efectivo y sostenible.

A trav�s de un estudio emp�rico con enfoque mixto, se exponen los resultados obtenidos tras la implementaci�n del prototipo, destacando los beneficios pedag�gicos, las limitaciones t�cnicas y las implicaciones para futuras investigaciones en el �mbito de la inteligencia artificial educativa.

 

Metodolog�a

La investigaci�n adopt� un enfoque metodol�gico mixto, combinando m�todos cuantitativos y cualitativos para lograr una comprensi�n integral del impacto de los sistemas inteligentes adaptativos basados en redes neuronales recurrentes. Este enfoque permiti� tanto la recolecci�n de datos num�ricos como la interpretaci�n de experiencias y percepciones de los participantes.

En la fase cuantitativa, se dise�� un experimento de tipo cuasiexperimental con grupo control y grupo experimental. La muestra estuvo compuesta por 120 estudiantes universitarios del tercer semestre de la carrera de Ingenier�a en Sistemas, quienes fueron asignados aleatoriamente a ambos grupos.

El grupo experimental utiliz� durante seis semanas una plataforma educativa virtual con un sistema inteligente adaptativo (SIA) integrado, el cual utilizaba redes neuronales recurrentes para analizar el comportamiento del usuario y adaptar el contenido. El grupo control trabaj� con una plataforma tradicional sin adaptaciones personalizadas.

Los instrumentos de recolecci�n de datos cuantitativos incluyeron pruebas diagn�sticas y sumativas, registros de interacci�n dentro de la plataforma, y cuestionarios tipo Likert sobre percepci�n de la experiencia de aprendizaje. Se aplicaron t�cnicas de estad�stica descriptiva e inferencial para analizar los resultados, destacando el uso de la prueba t de Student y an�lisis ANOVA.

En la fase cualitativa, se realizaron entrevistas semiestructuradas a 12 docentes y 20 estudiantes del grupo experimental para conocer sus experiencias con el sistema adaptativo. Las entrevistas fueron transcritas y codificadas tem�ticamente utilizando el software Atlas.ti.

Adem�s, se llev� a cabo un an�lisis de contenido de los informes generados por el sistema inteligente adaptativo, con el fin de validar la coherencia entre las recomendaciones automatizadas y el progreso del estudiante.

La triangulaci�n metodol�gica entre los datos cuantitativos, cualitativos y los informes del sistema permiti� obtener resultados s�lidos y validados desde diferentes perspectivas, fortaleciendo la confiabilidad de los hallazgos.

 

Resultados

Los resultados evidencian una mejora significativa en el rendimiento acad�mico de los estudiantes del grupo experimental frente al grupo control. La media en la prueba sumativa fue de 8,7 para el grupo experimental y de 7,2 para el grupo control, con una diferencia estad�sticamente significativa (p < 0.01).

 

 

Asimismo, el an�lisis de las interacciones dentro de la plataforma evidenci� que los estudiantes del grupo experimental dedicaron m�s tiempo a las actividades y mostraron una mayor persistencia en las tareas.

 

 

En cuanto a la percepci�n de la experiencia de aprendizaje, el 92% de los estudiantes del grupo experimental indic� sentirse m�s motivado al recibir contenidos adaptados a su ritmo y estilo de aprendizaje.

Las entrevistas cualitativas revelaron que tanto estudiantes como docentes percibieron al sistema como una herramienta �til que foment� la autonom�a del aprendizaje, facilitando adem�s el seguimiento personalizado por parte del docente.

Los informes generados por el SIA mostraron patrones de aprendizaje diferenciados, permitiendo al sistema realizar recomendaciones precisas que se correlacionaron con el progreso del estudiante en un 88% de los casos analizados.

Adicionalmente, se observ� una reducci�n del 23% en la tasa de abandono de tareas en el grupo experimental frente al control. Esta m�trica sugiere una mayor implicaci�n con el proceso de aprendizaje cuando se emplean recursos adaptativos inteligentes.

 

 

Otro hallazgo relevante fue la mejora en la calidad de las preguntas realizadas por los estudiantes del grupo experimental, observ�ndose un incremento del 40% en preguntas relacionadas con an�lisis y s�ntesis de la informaci�n, en contraste con preguntas de memorizaci�n presentes en el grupo control.

Finalmente, el an�lisis de seguimiento longitudinal durante seis semanas mostr� un crecimiento sostenido en las calificaciones individuales del grupo experimental, mientras que el grupo control present� fluctuaciones m�s marcadas, evidenciando una menor estabilidad en el aprendizaje sin adaptaci�n personalizada.

 

Discusi�n

Los resultados obtenidos en esta investigaci�n confirman la eficacia de los sistemas inteligentes adaptativos (SIA) basados en redes neuronales recurrentes (RNN) como herramientas facilitadoras del aprendizaje personalizado en entornos virtuales. La mejora significativa en el rendimiento acad�mico del grupo experimental, evidenciada por una diferencia estad�sticamente significativa en la prueba sumativa (8,7 vs. 7,2; p < 0.01), valida emp�ricamente la hip�tesis inicial sobre el impacto positivo de la personalizaci�n del contenido en la asimilaci�n del conocimiento.

El an�lisis de interacci�n en la plataforma revel� un mayor compromiso por parte de los estudiantes expuestos al sistema adaptativo, manifestado en un tiempo promedio de uso superior (42 minutos por sesi�n frente a 27 minutos) y una tasa m�s alta de finalizaci�n de actividades (94% vs. 78%). Estos indicadores coinciden con estudios previos que sugieren que la adaptaci�n din�mica del contenido fomenta la motivaci�n intr�nseca y la persistencia del estudiante (Chen et al., 2020; Brusilovsky & Mill�n, 2021).

Asimismo, el incremento del 23% en la retenci�n de tareas y la mayor calidad de las preguntas realizadas por los estudiantes del grupo experimental sugieren que los SIA no solo promueven una mayor implicaci�n cognitiva, sino que tambi�n potencian habilidades de orden superior como el an�lisis y la s�ntesis, aspectos claves en la construcci�n de aprendizajes significativos. Este hallazgo resulta coherente con los postulados del aprendizaje autorregulado y centrado en el estudiante (Zimmerman, 2002), donde la retroalimentaci�n inmediata y contextualizada desempe�a un rol esencial.

Desde el punto de vista de la percepci�n, el 92% de los participantes del grupo experimental valor� positivamente la experiencia de aprendizaje, destacando la adecuaci�n del ritmo y contenido a sus necesidades individuales. Las entrevistas cualitativas complementaron estos datos, revelando una transformaci�n en la relaci�n docente-estudiante, en la que el rol del docente evoluciona hacia facilitador y orientador del aprendizaje m�s que como transmisor exclusivo del conocimiento. Esta transformaci�n est� en l�nea con las propuestas de la educaci�n 4.0 y los entornos virtuales adaptativos (Redecker et al., 2011).

El seguimiento longitudinal refuerza estas conclusiones, al evidenciar una progresi�n constante en las calificaciones del grupo experimental frente a las fluctuaciones del grupo control. Tal estabilidad sugiere que los sistemas adaptativos no solo tienen un efecto inmediato, sino tambi�n sostenido, en la consolidaci�n del aprendizaje. La correlaci�n del 88% entre las recomendaciones del sistema y el progreso del estudiante demuestra, adem�s, la precisi�n de las RNN para modelar trayectorias de aprendizaje y tomar decisiones pedag�gicas automatizadas eficaces.

Sin embargo, estos hallazgos tambi�n deben considerarse a la luz de ciertos desaf�os. El dise�o, implementaci�n y mantenimiento de sistemas de esta naturaleza requiere recursos tecnol�gicos, humanos y �ticos importantes. Es crucial garantizar la transparencia de los algoritmos, la protecci�n de los datos de los usuarios y la no reproducci�n de sesgos impl�citos, temas a�n poco explorados en entornos educativos con inteligencia artificial (Holmes et al., 2021). Por tanto, si bien los SIA presentan un alto potencial transformador, su integraci�n responsable en el sistema educativo demanda una evaluaci�n continua y una gobernanza s�lida.

 

Conclusi�n

Los resultados de esta investigaci�n evidencian el impacto positivo que pueden tener los sistemas inteligentes adaptativos (SIA) basados en redes neuronales recurrentes (RNN) en entornos de aprendizaje personalizado. El an�lisis cuantitativo mostr� mejoras significativas en el rendimiento acad�mico, la motivaci�n y la participaci�n activa de los estudiantes, mientras que los hallazgos cualitativos respaldaron estas mejoras al destacar una experiencia de aprendizaje m�s aut�noma y significativa.

La implementaci�n del prototipo de SIA permiti� observar c�mo el an�lisis de datos secuenciales mediante RNN facilita una adaptaci�n precisa y din�mica del contenido educativo. Esta capacidad para anticipar necesidades y ofrecer recursos personalizados posiciona a estos sistemas como herramientas clave en la transformaci�n digital de la educaci�n superior, permitiendo a los docentes focalizar su acompa�amiento en aspectos m�s cr�ticos del desarrollo estudiantil.

Asimismo, el estudio demostr� una clara relaci�n entre el uso de estrategias adaptativas y una mayor retenci�n de contenidos, persistencia en el estudio y mejora en la calidad del pensamiento cr�tico. Estos indicadores, junto con la reducci�n de la tasa de abandono de tareas y la estabilidad en el progreso acad�mico, subrayan el potencial de estos sistemas para atender de forma efectiva la diversidad de estilos y ritmos de aprendizaje.

No obstante, es necesario considerar ciertas limitaciones, como el tama�o y la homogeneidad de la muestra, centrada en una sola carrera universitaria. Adem�s, el periodo de implementaci�n fue relativamente corto para evaluar con profundidad los efectos de largo plazo. Estos factores abren la oportunidad para desarrollar investigaciones ampliadas que contemplen poblaciones m�s heterog�neas, contextos multidisciplinarios y seguimientos longitudinales.

Desde una perspectiva �tica y t�cnica, el uso de inteligencia artificial en educaci�n plantea retos importantes que deben ser abordados con responsabilidad. Es fundamental garantizar la transparencia en los algoritmos, la protecci�n de datos personales y la equidad en el acceso a estas tecnolog�as, evitando que se profundicen las brechas existentes entre los estudiantes.

En conclusi�n, los sistemas inteligentes adaptativos basados en redes neuronales recurrentes representan una innovaci�n prometedora para el aprendizaje personalizado. Su capacidad para analizar, predecir y responder a las necesidades individuales del estudiante los convierte en una herramienta estrat�gica para avanzar hacia una educaci�n m�s inclusiva, centrada en el estudiante y respaldada por evidencias. Su incorporaci�n planificada y reflexiva puede marcar un hito en la evoluci�n de los entornos de aprendizaje digitales.

 

Referencias

1.      Area Moreira, M. (2020). La inteligencia artificial en la educaci�n: Retos y oportunidades. Revista Iberoamericana de Educaci�n a Distancia, 23(1), 9�26. https://doi.org/10.5944/ried.23.1.24835

2.      Cabero-Almenara, J., & Mar�n-D�az, V. (2018). Tecnolog�as emergentes, factores de integraci�n y alfabetizaci�n digital. Pixel-Bit. Revista de Medios y Educaci�n, (52), 25�38. https://doi.org/10.12795/pixelbit.2018.i52.02

3.      Gonz�lez-Gonz�lez, C. S., Infante-Moro, A., & Infante-Moro, J. C. (2020). Uso de la inteligencia artificial en la educaci�n superior: Un estudio bibliom�trico. Educaci�n XX1, 23(2), 161�183. https://doi.org/10.5944/educXX1.25830

4.      Guti�rrez, J., & Valdivia, P. (2022). �tica en la inteligencia artificial aplicada a la educaci�n: Retos para una implementaci�n responsable. Revista Latinoamericana de Tecnolog�a Educativa, 21(1), 45�60. https://doi.org/10.17398/1695-288X.21.1.45

5.      Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence in Education: Promises and Implications for Teaching and Learning. Center for Curriculum Redesign. https://curriculumredesign.org/wp-content/uploads/AI-in-Education-Promises-and-Implications.pdf

6.      Mouza, C., Yang, H., Pan, Y. C., Ozden, S. Y., & Pollock, L. (2021). Resetting educational priorities: How COVID-19 reshaped the integration of AI in personalized learning. Computers & Education, 165, 104146. https://doi.org/10.1016/j.compedu.2021.104146

7.      Rodr�guez, R., & Torres, A. (2020). Dise�o pedag�gico de entornos virtuales con IA: Un enfoque centrado en el estudiante. Revista Electr�nica de Tecnolog�a Educativa, 80, 1�14. https://doi.org/10.21556/edutec.2020.80.1485

8.      Salinas, J. (2017). Educaci�n flexible, abierta y a distancia: Una estrategia para la transformaci�n digital de la educaci�n. Revista Iberoamericana de Educaci�n a Distancia, 20(2), 111�130. https://doi.org/10.5944/ried.20.2.18835

9.      Tegmark, M. (2018). Vida 3.0: Ser humano en la era de la inteligencia artificial. Debate.

10.  Valverde Berrocoso, J., Garrido Arroyo, M. del C., & Fern�ndez S�nchez, M. R. (2021). Las competencias digitales docentes en los sistemas educativos iberoamericanos: Un estudio comparado. Educaci�n y Tecnolog�a en M�xico, 10(2), 75�96. https://doi.org/10.29166/etm.v10i2.2321

 

 

 

 

 

 

 

 

� 2025 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).