IA en la educacin 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 educao personalizada e sistemas inteligentes adaptativos: uma abordagem baseada em redes neurais recorrentes

Eduardo Aladino Flor Calva I
eduardo.florc@ug.edu.ec
https://orcid.org/0009-0005-3151-7808

,Jennifer Iliana Lucas Villacs II
jennifer.lucasv@educacion.gob.ec
https://orcid.org/0009-0009-7178-7094
Ana del Carmen Ronquillo Peaherrera III
anad.ronquillo@educacion.gob.ec
https://orcid.org/0009-0001-7979-3503

,Shirley Beatriz Senz Espn IV
shirley.saenz@educacion.gob.ec
https://orcid.org/0009-0000-9035-554X
Rodolfo Gonzalo Bohrquez Snchez IV
rodolfo.bohorquezs@ug.edu.ec
https://orcid.org/0009-0009-4725-7042
 

 

 

 

 

 

 

 

 

 

 

 

 


Correspondencia: eduardo.florc@ug.edu.ec

 

Ciencias de la Educacin

Artculo de Investigacin

 

 

* 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 Matemticas y Fsicas, Universidad de Guayaquil, Ecuador.

       II.            Ing. Msc. Docente Ministerio de Educacin, Ecuador.

      III.            Lcda. Msc. Docente Ministerio de Educacin, Ecuador.

     IV.            Lcda. Msc. Docente Ministerio de Educacin, Ecuador.

        V.            Ing. Mgs. Docente de la facultad de Ciencias Matemticas y Fsicas, Universidad de Guayaquil, Ecuador.


Resumen

El presente artculo aborda el diseo, implementacin y evaluacin de sistemas inteligentes adaptativos (SIA) aplicados al aprendizaje personalizado, con base en el uso de redes neuronales recurrentes (RNN). Estos sistemas representan una innovacin significativa en la educacin virtual al incorporar algoritmos que permiten analizar secuencias temporales del comportamiento del estudiante y predecir sus necesidades futuras. A partir de un enfoque metodolgico 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 Ingeniera en Sistemas. La intervencin consisti en el uso diferenciado de una plataforma con y sin adaptaciones inteligentes durante seis semanas. Los resultados cuantitativos mostraron una mejora estadsticamente significativa en el rendimiento acadmico del grupo experimental frente al grupo control, adems de un incremento en los niveles de autonoma, satisfaccin y percepcin positiva del aprendizaje. Por su parte, los hallazgos cualitativos revelaron una alta aceptacin del sistema por parte de docentes y estudiantes, quienes valoraron su capacidad para ofrecer rutas personalizadas, retroalimentacin oportuna y contenidos ajustados a las fortalezas y debilidades individuales. Asimismo, los informes generados por el sistema coincidieron con los desempeos observados, lo que valid su coherencia funcional. El anlisis de resultados sugiere que las RNN ofrecen ventajas sustantivas frente a otros enfoques de personalizacin educativa, especialmente en contextos donde el seguimiento continuo del aprendizaje es complejo. Se discuten implicaciones pedaggicas, tcnicas y ticas, destacando la necesidad de resguardar la privacidad de los datos y garantizar la transparencia algortmica. En conjunto, este estudio provee evidencia emprica sobre el potencial de los SIA como herramientas clave para una educacin ms inclusiva, eficaz y centrada en el estudiante en el contexto de la transformacin digital.

Palabras clave: aprendizaje personalizado; sistemas inteligentes adaptativos; redes neuronales recurrentes; educacin virtual; prediccin 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 implementao e a avaliao de sistemas inteligentes adaptativos (SIA) aplicados aprendizagem personalizada, com base no uso de redes neurais recorrentes (RNN). Esses sistemas representam uma inovao significativa na educao virtual ao incorporar algoritmos que permitem a anlise de sequncias temporais do comportamento dos alunos e a previso de suas necessidades futuras. Utilizando uma abordagem metodolgica mista, um prottipo de SIA foi desenvolvido e integrado a um ambiente virtual de aprendizagem com a participao de 120 alunos de graduao em Engenharia de Sistemas. A interveno consistiu no uso diferenciado de uma plataforma com e sem adaptaes inteligentes durante seis semanas. Os resultados quantitativos mostraram uma melhora estatisticamente significativa no desempenho acadmico do grupo experimental em comparao ao grupo controle, bem como um aumento nos nveis de autonomia, satisfao e percepo positiva da aprendizagem. Os resultados qualitativos revelaram alta aceitao do sistema por professores e alunos, que valorizaram sua capacidade de oferecer caminhos de aprendizagem personalizados, feedback oportuno e contedo adaptado aos pontos fortes e fracos individuais. Alm disso, os relatrios gerados pelo sistema corresponderam ao desempenho observado, validando sua consistncia funcional. A anlise dos resultados sugere que as RNNs oferecem vantagens substanciais sobre outras abordagens de personalizao educacional, especialmente em contextos onde o monitoramento contnuo do aprendizado complexo. Implicaes pedaggicas, tcnicas e ticas so discutidas, destacando a necessidade de proteger a privacidade dos dados e garantir a transparncia algortmica. No geral, este estudo fornece evidncias empricas sobre o potencial das ASIs como ferramentas essenciais para uma educao mais inclusiva, eficaz e centrada no aluno no contexto da transformao digital.

Palavras-chave: aprendizagem personalizada; sistemas inteligentes adaptativos; redes neurais recorrentes; educao virtual; previso de comportamento.

 

Introduccin

En la actualidad, la educacin 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 automtico, ha permitido el desarrollo de herramientas que facilitan esta adaptacin. Entre estas herramientas destacan los sistemas inteligentes adaptativos (SIA), los cuales integran capacidades de anlisis, prediccin y personalizacin del proceso de enseanza-aprendizaje (Carbonell et al., 2020).

Los SIA representan una evolucin significativa de los sistemas tradicionales de gestin del aprendizaje (LMS), ya que no solo almacenan contenidos, sino que tambin interactan de manera dinmica 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 evolucin 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 prediccin de series temporales y la clasificacin de secuencias, caractersticas que pueden trasladarse al mbito educativo para identificar patrones de estudio, niveles de atencin y momentos crticos de intervencin pedaggica (Lipton, 2015). Estas redes pueden aprender del historial de interacciones del estudiante, permitiendo adaptar los contenidos y metodologas en funcin de sus progresos o dificultades.

Este enfoque se alinea con los principios del aprendizaje centrado en el estudiante, el cual busca fomentar la autonoma, el pensamiento crtico y la autorregulacin del conocimiento. De acuerdo con Barr y Tagg (1995), este paradigma transforma la educacin desde la enseanza hacia el aprendizaje, haciendo de la personalizacin un componente central de la calidad educativa.

Adems, diversos estudios han mostrado que los estudiantes que interactan con plataformas adaptativas logran mejores resultados acadmicos y desarrollan mayores niveles de compromiso (Arroyo et al., 2014). Estas plataformas, al basarse en modelos predictivos, permiten intervenir oportunamente en los procesos de enseanza, evitando rezagos y promoviendo la inclusin.

Sin embargo, el diseo y la implementacin de SIA basados en RNN tambin presentan importantes desafos, como la calidad de los datos, la necesidad de supervisin pedaggica constante y los dilemas ticos sobre el uso de informacin sensible (Holstein et al., 2019). Por ello, la investigacin en este campo debe ser rigurosa y multidisciplinaria.

Este artculo 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 cmo estas herramientas pueden contribuir a un aprendizaje ms personalizado, efectivo y sostenible.

A travs de un estudio emprico con enfoque mixto, se exponen los resultados obtenidos tras la implementacin del prototipo, destacando los beneficios pedaggicos, las limitaciones tcnicas y las implicaciones para futuras investigaciones en el mbito de la inteligencia artificial educativa.

 

Metodologa

La investigacin adopt un enfoque metodolgico mixto, combinando mtodos cuantitativos y cualitativos para lograr una comprensin integral del impacto de los sistemas inteligentes adaptativos basados en redes neuronales recurrentes. Este enfoque permiti tanto la recoleccin de datos numricos como la interpretacin 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 Ingeniera 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 recoleccin de datos cuantitativos incluyeron pruebas diagnsticas y sumativas, registros de interaccin dentro de la plataforma, y cuestionarios tipo Likert sobre percepcin de la experiencia de aprendizaje. Se aplicaron tcnicas de estadstica descriptiva e inferencial para analizar los resultados, destacando el uso de la prueba t de Student y anlisis 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 temticamente utilizando el software Atlas.ti.

Adems, se llev a cabo un anlisis 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 triangulacin metodolgica entre los datos cuantitativos, cualitativos y los informes del sistema permiti obtener resultados slidos y validados desde diferentes perspectivas, fortaleciendo la confiabilidad de los hallazgos.

 

Resultados

Los resultados evidencian una mejora significativa en el rendimiento acadmico 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 estadsticamente significativa (p < 0.01).

 

Grupo

Media Prueba Sumativa

Desviacin Estndar

Experimental

8,7

0,6

Control

7,2

0,8

 

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

 

Indicador

Grupo Experimental

Grupo Control

Tiempo promedio por sesin

42 min

27 min

Actividades completadas (%)

94%

78%

Solicitudes de retroalimentacin

56

31

 

En cuanto a la percepcin de la experiencia de aprendizaje, el 92% de los estudiantes del grupo experimental indic sentirse ms 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 autonoma del aprendizaje, facilitando adems 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 reduccin del 23% en la tasa de abandono de tareas en el grupo experimental frente al control. Esta mtrica sugiere una mayor implicacin con el proceso de aprendizaje cuando se emplean recursos adaptativos inteligentes.

 

Mtrica

Grupo Experimental

Grupo Control

Tasa de abandono de tareas (%)

12%

35%

 

Otro hallazgo relevante fue la mejora en la calidad de las preguntas realizadas por los estudiantes del grupo experimental, observndose un incremento del 40% en preguntas relacionadas con anlisis y sntesis de la informacin, en contraste con preguntas de memorizacin presentes en el grupo control.

Finalmente, el anlisis de seguimiento longitudinal durante seis semanas mostr un crecimiento sostenido en las calificaciones individuales del grupo experimental, mientras que el grupo control present fluctuaciones ms marcadas, evidenciando una menor estabilidad en el aprendizaje sin adaptacin personalizada.

 

Discusin

Los resultados obtenidos en esta investigacin 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 acadmico del grupo experimental, evidenciada por una diferencia estadsticamente significativa en la prueba sumativa (8,7 vs. 7,2; p < 0.01), valida empricamente la hiptesis inicial sobre el impacto positivo de la personalizacin del contenido en la asimilacin del conocimiento.

El anlisis de interaccin 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 sesin frente a 27 minutos) y una tasa ms alta de finalizacin de actividades (94% vs. 78%). Estos indicadores coinciden con estudios previos que sugieren que la adaptacin dinmica del contenido fomenta la motivacin intrnseca y la persistencia del estudiante (Chen et al., 2020; Brusilovsky & Milln, 2021).

Asimismo, el incremento del 23% en la retencin 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 implicacin cognitiva, sino que tambin potencian habilidades de orden superior como el anlisis y la sntesis, aspectos claves en la construccin de aprendizajes significativos. Este hallazgo resulta coherente con los postulados del aprendizaje autorregulado y centrado en el estudiante (Zimmerman, 2002), donde la retroalimentacin inmediata y contextualizada desempea un rol esencial.

Desde el punto de vista de la percepcin, el 92% de los participantes del grupo experimental valor positivamente la experiencia de aprendizaje, destacando la adecuacin del ritmo y contenido a sus necesidades individuales. Las entrevistas cualitativas complementaron estos datos, revelando una transformacin en la relacin docente-estudiante, en la que el rol del docente evoluciona hacia facilitador y orientador del aprendizaje ms que como transmisor exclusivo del conocimiento. Esta transformacin est en lnea con las propuestas de la educacin 4.0 y los entornos virtuales adaptativos (Redecker et al., 2011).

El seguimiento longitudinal refuerza estas conclusiones, al evidenciar una progresin 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 tambin sostenido, en la consolidacin del aprendizaje. La correlacin del 88% entre las recomendaciones del sistema y el progreso del estudiante demuestra, adems, la precisin de las RNN para modelar trayectorias de aprendizaje y tomar decisiones pedaggicas automatizadas eficaces.

Sin embargo, estos hallazgos tambin deben considerarse a la luz de ciertos desafos. El diseo, implementacin y mantenimiento de sistemas de esta naturaleza requiere recursos tecnolgicos, humanos y ticos importantes. Es crucial garantizar la transparencia de los algoritmos, la proteccin de los datos de los usuarios y la no reproduccin de sesgos implcitos, temas an poco explorados en entornos educativos con inteligencia artificial (Holmes et al., 2021). Por tanto, si bien los SIA presentan un alto potencial transformador, su integracin responsable en el sistema educativo demanda una evaluacin continua y una gobernanza slida.

 

Conclusin

Los resultados de esta investigacin evidencian el impacto positivo que pueden tener los sistemas inteligentes adaptativos (SIA) basados en redes neuronales recurrentes (RNN) en entornos de aprendizaje personalizado. El anlisis cuantitativo mostr mejoras significativas en el rendimiento acadmico, la motivacin y la participacin activa de los estudiantes, mientras que los hallazgos cualitativos respaldaron estas mejoras al destacar una experiencia de aprendizaje ms autnoma y significativa.

La implementacin del prototipo de SIA permiti observar cmo el anlisis de datos secuenciales mediante RNN facilita una adaptacin precisa y dinmica del contenido educativo. Esta capacidad para anticipar necesidades y ofrecer recursos personalizados posiciona a estos sistemas como herramientas clave en la transformacin digital de la educacin superior, permitiendo a los docentes focalizar su acompaamiento en aspectos ms crticos del desarrollo estudiantil.

Asimismo, el estudio demostr una clara relacin entre el uso de estrategias adaptativas y una mayor retencin de contenidos, persistencia en el estudio y mejora en la calidad del pensamiento crtico. Estos indicadores, junto con la reduccin de la tasa de abandono de tareas y la estabilidad en el progreso acadmico, 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 tamao y la homogeneidad de la muestra, centrada en una sola carrera universitaria. Adems, el periodo de implementacin fue relativamente corto para evaluar con profundidad los efectos de largo plazo. Estos factores abren la oportunidad para desarrollar investigaciones ampliadas que contemplen poblaciones ms heterogneas, contextos multidisciplinarios y seguimientos longitudinales.

Desde una perspectiva tica y tcnica, el uso de inteligencia artificial en educacin plantea retos importantes que deben ser abordados con responsabilidad. Es fundamental garantizar la transparencia en los algoritmos, la proteccin de datos personales y la equidad en el acceso a estas tecnologas, evitando que se profundicen las brechas existentes entre los estudiantes.

En conclusin, los sistemas inteligentes adaptativos basados en redes neuronales recurrentes representan una innovacin prometedora para el aprendizaje personalizado. Su capacidad para analizar, predecir y responder a las necesidades individuales del estudiante los convierte en una herramienta estratgica para avanzar hacia una educacin ms inclusiva, centrada en el estudiante y respaldada por evidencias. Su incorporacin planificada y reflexiva puede marcar un hito en la evolucin de los entornos de aprendizaje digitales.

 

Referencias

1.      Area Moreira, M. (2020). La inteligencia artificial en la educacin: Retos y oportunidades. Revista Iberoamericana de Educacin a Distancia, 23(1), 926. https://doi.org/10.5944/ried.23.1.24835

2.      Cabero-Almenara, J., & Marn-Daz, V. (2018). Tecnologas emergentes, factores de integracin y alfabetizacin digital. Pixel-Bit. Revista de Medios y Educacin, (52), 2538. https://doi.org/10.12795/pixelbit.2018.i52.02

3.      Gonzlez-Gonzlez, C. S., Infante-Moro, A., & Infante-Moro, J. C. (2020). Uso de la inteligencia artificial en la educacin superior: Un estudio bibliomtrico. Educacin XX1, 23(2), 161183. https://doi.org/10.5944/educXX1.25830

4.      Gutirrez, J., & Valdivia, P. (2022). tica en la inteligencia artificial aplicada a la educacin: Retos para una implementacin responsable. Revista Latinoamericana de Tecnologa Educativa, 21(1), 4560. 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.      Rodrguez, R., & Torres, A. (2020). Diseo pedaggico de entornos virtuales con IA: Un enfoque centrado en el estudiante. Revista Electrnica de Tecnologa Educativa, 80, 114. https://doi.org/10.21556/edutec.2020.80.1485

8.      Salinas, J. (2017). Educacin flexible, abierta y a distancia: Una estrategia para la transformacin digital de la educacin. Revista Iberoamericana de Educacin a Distancia, 20(2), 111130. 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., & Fernndez Snchez, M. R. (2021). Las competencias digitales docentes en los sistemas educativos iberoamericanos: Un estudio comparado. Educacin y Tecnologa en Mxico, 10(2), 7596. https://doi.org/10.29166/etm.v10i2.2321

 

 

 

 

 

 

 

 

2025 por los autores. Este artculo es de acceso abierto y distribuido segn los trminos y condiciones de la licencia Creative Commons Atribucin-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

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

 

 

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';





Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/