19
Potencialidades de la Inteligencia Artificial en Educación Superior: Un Enfoque
desde la Personalización
Potentialities of Artificial Intelligence in Higher Education: An Approach from
Personalization
Se distingue un denotado interés por conocer los procesos educativos y sus actores en el caso de
investigaciones en el campo educativo y pedagógico. El presente estudio tuvo como objetivo
analizar las potencialidades de las herramientas de IA en educación superior, teniendo en cuenta
un enfoque desde la personalización del aprendizaje. Esta investigación se realizó bajo el
método empírico-analítico, paradigma positivista, con enfoque cuantitativo, de tipo exploratorio
y con diseño documental de tópico. La población o muestra considerada fueron 4 bases de datos:
Scopus, Web of Science (WoS), Dialnet y Redalyc. La técnica utilizada fue la observación
documental, y el instrumento utilizado fue la ficha de contenido. El análisis de los datos se
realizó a través de la matriz de análisis de las categorías y con operadores booleanos se filtraron
los documentos que no respondían a las preguntas de investigación propuestas para esta revisión.
A la luz de los resultados obtenidos, se hace indispensable pensar en la importancia de contrastar
los modelos pedagógicos y curriculares con respecto a la personalización. Es importante
recordar que un sistema con alto contenido técnico, pero poco contenido pedagógico disuadirá
a los estudiantes para su utilización. Como aporte a futuras investigaciones, se recomienda tener
en cuenta los modelos pedagógicos y curriculares en la construcción modelos de
personalización. Además, se debe realizar un contraste entre las metodologías disponibles en la
literatura, con el fin de evaluar fortalezas y debilidades.
Palabras clave: Inteligencia artificial, educación superior, personalización.
There is a significant interest in knowing the educational processes and their actors in the case
of research in the academic and pedagogical fields. The objective of this study was to analyze
the potential of AI tools in higher education, taking into account an approach from the
personalization of learning. This research was carried out under the empirical-analytical method,
positivist paradigm, with a quantitative approach of an exploratory type and with a topical
documentary design. The population or sample considered were four databases: Scopus, Web
of Science (WoS), Dialnet, and Redalyc. The technique used was the documentary observation,
and the instrument used was the content sheet. The data analysis was carried out through the
analysis matrix of the categories. The documents that did not answer the research questions
proposed for this review were filtered with Boolean operators. In light of the results obtained, it
is essential to consider the importance of contrasting pedagogical and curricular models
concerning personalization. It is important to remember that a system with high technical
content but little pedagogical content will deter students from using it. As a contribution to future
research, it is recommended to consider the pedagogical and curricular models in the
construction of personalization models. In addition, a contract should be made between the
methodologies available in the literature to assess strengths and weaknesses.
Keywords: School conflict, school coexistence, disruptive behaviors, aggression.
¹Universidad Católica Luis
Amigó
¹https://orcid.org/0000-0002-5873-3894
¹Colombia
¹juan.parraan@amigo.edu.co
Parra-Sánchez, J. (2022). Potencialidades
de la Inteligencia Artificial en Educación
Superior: Un Enfoque desde la
Personalización. Revista Tecnológica-
Educativa Docentes 2.0, 14(1), 19-27.
https://doi.org/10.37843/rted.v14i1.296
https://doi.org/10.37843/rted.v14i1.296
Juan Sebastián Parra-Sánchez¹
10/enero/2022
10/abril/2022
15/abril/2022
19-27
Parra-Sánchez, J. (2022). Potencialidades de la Inteligencia Artificial en Educación Superior: Un Enfoque desde la Personalización. Revista Tecnológica-Educativa Docentes 2.0, 14(1),
19-27. https://doi.org/10.37843/rted.v14i1.296
Potencialidades de la Inteligencia Artificial en Educación
Superior: Un Enfoque desde la Personalización.
Introducción
Se distingue un denotado interés por conocer
los procesos educativos y sus actores en el caso de
investigaciones en el campo educativo y
pedagógico. Una de las herramientas para entender
estas dinámicas son los modelos que según Ibáñez-
Bernal (2007) un modelo “representa propiedades
o relaciones pertinentes de la realidad, copiando su
naturaleza original, de tal manera que, al hacer
referencia a estos elementos, se esté aludiendo
simultáneamente a las propiedades y relaciones de
la realidad modelada” (p.436). Los modelos
surgen de una necesidad por establecer relaciones
entre los principales agentes y los factores que
intervienen en educación.
Es interesante visualizar al estudiante desde
diferentes perspectivas y “personalizar” ese
discurso didáctico para necesidades puntuales
desde un diagnóstico inicial y sobre todo desde el
estilo de aprendizaje. Además, los procesos de
aprendizaje no son estándares y, por lo tanto, las
estrategias de aprendizaje no deberían ser iguales
para todos los estudiantes. En este sentido, el
concepto de personalización resulta relevante y
ofrece grandes posibilidades de actuación para
conseguir un aprendizaje más efectivo (Aragón-
García, 2016). La enseñanza personalizada es “la
adaptación del currículo y los entornos de
aprendizaje para satisfacer las necesidades y el
aprendizaje de cada estudiante” (Rivero-Albarrán
et al., 2019, p. 698).
En apoyo a la personalización, existen
herramientas de la inteligencia artificial (IA) que
han sido utilizadas para enriquecer los procesos de
enseñanza-aprendizaje, creando escenarios de
trabajo de acuerdo con particularidades de cada
estudiante (Lerís-López et al., 2016; Rincón-
Flores et al., 2019). Estas herramientas de apoyo
sirven para reconocer patrones en los datos y crear
reglas basadas en grandes cantidades de
información, que no pueden procesarse de forma
manual. Algunas problemáticas evidenciadas en la
educación brindan un gran potencial investigativo
para aplicar la IA, específicamente, desde los
procesos de enseñanza-aprendizaje, en los que es
posible potencializar su aplicabilidad.
El presente estudio tuvo como objetivo
analizar las potencialidades de las herramientas de
IA en educación superior, teniendo en cuenta un
enfoque desde la personalización del aprendizaje.
Además, se presentan dos preguntas de
investigación que enmarcan este proceso de
reflexión y revisión: la primera ¿cuáles son las
relaciones entre los modelos pedagógicos y
curriculares con la personalización del
aprendizaje? y la segunda: ¿cuáles son las
metodologías que se han llevado a cabo para
realizar procesos de personalización mediante el
uso de inteligencia artificial (IA)?
Metodología
Esta investigación se realizó bajo el método
empírico-analítico, en el paradigma positivista,
con enfoque metodológico de tipo cuantitativo
(González & D’Ancona, 1997). Esto se debe a que
los estudios de personalización y precisamente los
relacionados con la inteligencia artificial, hacen
énfasis en los conjuntos de datos y la relación entre
variables, además, permiten determinar la
importancia del objeto de investigación.
Esta investigación tiene un carácter
exploratorio de diseño de tópico ya que su objetivo
está enmarcado en la identificación de las
potencialidades de las herramientas de IA en
educación superior, desde la personalización y
teniendo en cuenta los modelos pedagógicos y
curriculares, como punto de partida para la
construcción y diseño de estrategias de
personalización.
Teniendo en cuenta el carácter de esta
revisión, la población o muestra considerada a
fueron 4 bases de datos: Scopus, Web of Science
(WoS), Dialnet y Redalyc. El estudio se realizó a
través de una búsqueda sistemática de estudios en
español y en inglés. En la búsqueda se filtraron
algunos artículos de revistas indexadas, memorias
de congresos internacionales y capítulos de libro
resultados de investigación.
La técnica utilizada fue la observación
documental y el instrumento utilizado fue la ficha
de contenido. La observación documental
corresponde una revisión sistemática de
documentación de acuerdo con las categorías y
criterios de inclusión y exclusión. Por su parte, la
ficha de contenido permitió revisar similitudes,
categorías y elementos de análisis relevantes en
cada uno de los estudios encontrados. Los
descriptores de búsqueda incluyeron palabras
clave relacionadas como “personalización”,
“inteligencia artificial”, “aprendizaje en línea”,
Parra-Sánchez, J. (2022). Potencialidades de la Inteligencia Artificial en Educación Superior: Un Enfoque desde la Personalización. Revista Tecnológica-Educativa Docentes 2.0, 14(1),
19-27. https://doi.org/10.37843/rted.v14i1.296
Potencialidades de la Inteligencia Artificial en Educación
Superior: Un Enfoque desde la Personalización.
“personalizado” y sus correspondientes
traducciones al inglés.
El análisis de los datos se realizó a través de
una matriz de análisis de las categorías. Con
operadores booleanos se filtraron los documentos
que no respondían a las preguntas de investigación
propuestas para esta revisión. Se tuvo como
resultado 2343 documentos únicos referentes a las
categorías de estudio por lo que se utilizó la
metodología PRISMA (Preferred Reported Items
for Systematic Review and Metanalyses) para
retomar únicamente los documentos que más se
adecuaban a las preguntas de esta revisión. El
proceso se resume en la Figura 1. Vale la pena
destacar que además de esta búsqueda, se tomaron
documentos considerados como punto de partida
teórico para las temáticas relacionadas con los
modelos pedagógicos y curriculares y que aún
continúan vigentes.
Figura 1
Metodología para la revisión-reflexión en torno a la personalización con IA
Nota. Se describe la metodología utilizada en el proceso de revisión-reflexión y cada uno de los pasos en cuadros. En la
parte exterior se describen algunas observaciones derivadas de cada paso, elaboración propia (2021).
Resultados
Se encontró que, en el ámbito de la
personalización, las metas (u objetivos) de
formación se proponen y enmarcan desde el
currículo y son comunes a todos los estudiantes,
respetando los ritmos y estilos de aprendizaje. En
cuanto al desarrollo de los alumnos, hay una
realimentación constante en cuanto la usabilidad
de los recursos mas no un diagnóstico de qué
competencias se están alcanzando y cuáles están
por alcanzarse.
La relación con los alumnos está mediada
por algunas herramientas que facilitan crear un
perfil de estos, pero que finalmente serán
evaluados por el docente quien se pretende sea una
persona idónea en la competencia técnica y
pedagógica. En cuanto a los contenidos, la bondad
de la personalización permite que las experiencias
sean adecuadas para las particularidades de cada
estudiante. Finalmente, los criterios de aprendizaje
se desarrollan desde contenidos adaptados, pero a
la vez se encuentra la necesidad de evaluar las
condiciones propias del contexto del alumno y su
avance.
Una vez definida la personalización del
aprendizaje como una posibilidad, es relevante
destacar el concepto de modelo pedagógico que
Búsqueda
inicial
2343
documentos
•De acuerdo con las palabras clave y los
descriptores revisados
Revisión de criterios
de inclusión en
234 documentos
•Modelos actualizados.
•Metodologías propias de personalización de contenidos con IA.
•Descripción de metodología de la IA seleccionada.
Revisión de
resúmenes de
77 documentos
•Se excluyen ejercicios de gamificación.
•Se excluyen ejercicios que no están enfocados a la educación
superior
•Se excluyen aquellos estudios que no tienen relación con las
categorías de estudio.
•Se excluyen estudios que no hacen referencia al modelo
pedagógico y curricular.
Revisión de texto completo
de
32 documentos
•Primeras
reflexiones
y hallazgos
5 investigaciones
con las categorías
de estudio
•Consolidación de
tablas resumen y
conclusiones
respecto a las
potencialidades
Parra-Sánchez, J. (2022). Potencialidades de la Inteligencia Artificial en Educación Superior: Un Enfoque desde la Personalización. Revista Tecnológica-Educativa Docentes 2.0, 14(1),
19-27. https://doi.org/10.37843/rted.v14i1.296
Potencialidades de la Inteligencia Artificial en Educación
Superior: Un Enfoque desde la Personalización.
enmarca dichas estrategias. Un modelo
pedagógico se puede definir como “la
representación de las relaciones que predominan
en el acto de enseñar es también un paradigma que
puede coexistir con otros y que sirve para
organizar la búsqueda de nuevos conocimientos en
el campo de la pedagogía” (Flórez-Ochoa, 2000, p.
33).
A este respecto, se debe entender la
enseñanza como un acto creativo y no como un
asunto trivial. Dentro de los factores a estudiar, se
encuentran los objetivos propios de un curso
llamados “objetivos de aprendizaje”, las
características propias del grupo, el programa,
entre otros (Flórez-Ochoa, 2000, p. 26).
De acuerdo con Ibáñez-Bernal (2007) &
Garzuzi “el aprendizaje no depende del dominio
de ciertos conocimientos y de técnicas para
estudiar, sino de su capacidad para advertir y
responder a exigencias de unas tareas
determinadas (2013, p.70), el “saber hacer”. En
este aspecto, los docentes se guían por ciertos
modelos pedagógicos que deben ser estudiados y
evaluados.
Es importante destacar la caracterización de
los diferentes modelos pedagógicos para el
contexto de la personalización. Al respecto Flórez-
Ochoa (2000) propone cinco perspectivas para el
análisis de los modelos pedagógicos, basado en
unos cuestionamientos para enfocar la
problemática en estudio, en el caso del proceso de
enseñanza-aprendizaje. En la Tabla 1 se describe
el aspecto del modelo pedagógico y el
cuestionamiento a responder.
Tabla 1
Perspectivas para el análisis de los modelos pedagógicos
Aspecto
Cuestionamiento
Metas: Intencionalidad (metas de formación)
¿Qué metas de formación se proponen?
Desarrollo: Concepción acerca del desarrollo de los
alumnos
¿Con qué concepto se promueve el desarrollo de los
alumnos?
Relaciones: Estructura de la relación maestro-
alumno
¿Cómo se regula la relación con los alumnos?
Contenidos: Contenidos curriculares
¿Qué experiencias (y contenidos) se van a privilegiar y a
fomentar para impulsar su formación y aprendizaje?
Método: Criterios de aprendizaje
¿Cómo se va a enseñar y a evaluar? ¿Con qué técnicas y qué
didácticas?
Nota. En la primera columna se encuentran vinculados aspectos de los modelos pedagógicos y en la segunda el
cuestionamiento al cual responde en función del aspecto, adaptado de Flórez-Ochoa (2000).
Una vez aproximado el concepto del
modelo pedagógico, se debe revisar el concepto
de modelo curricular. Sobre el particular,
Rodríguez (2004) exhibe una problemática entre
lo diseñado en el currículo y lo ejecutado en la
práctica educativa. Es muy común revisar que
hay ciertos principios y lineamentos que, en la
práctica, se interpretan de diferentes formas por
los docentes o estamentos universitarios o no se
especifica una igualdad de criterios en este
sentido.
Rodríguez define el diseño curricular como:
“en principio, una intención, expresada en un
documento escrito, un plan, un programa, una
anticipación, sobre qué, cómo, cuándo y para qué
enseñar” (2004, p. 3). Sin embargo, es muy
pertinente en describir que es en el proceso
mismo de enseñanza-aprendizaje en el que se
concreta. En la Tabla 2, se resumen algunas de
las ideas importantes en el marco del diseño
curricular consideradas como fundamentales en
el desarrollo de un proceso de personalización en
escenarios de enseñanza-aprendizaje.
Parra-Sánchez, J. (2022). Potencialidades de la Inteligencia Artificial en Educación Superior: Un Enfoque desde la Personalización. Revista Tecnológica-Educativa Docentes 2.0, 14(1),
19-27. https://doi.org/10.37843/rted.v14i1.296
Potencialidades de la Inteligencia Artificial en Educación
Superior: Un Enfoque desde la Personalización.
Tabla 2
Características del diseño curricular en relación con la personalización
Característica
Descripción
El currículo es una construcción colectiva los
participantes
Es un proceso que requiere de la participación de los
diferentes actores, desde la parte técnica y pedagógica, y
de los estudiantes mismos
Es un proceso dinámico
Es un proceso que cambia en el tiempo, no es estático
Impregna de singularidad
Esta es precisamente una de las características
fundamentales de los procesos de personalización de
estrategias: atender la singularidad y al contexto.
Nota. En la primera columna se indica las características del diseño curricular y en la segunda se realiza una descripción
de dicha característica para tener en cuenta en un modelo de personalización, adaptado de Rodríguez (2004).
Algunos aspectos importantes para resaltar
desde el diseño curricular se enuncian a
continuación. Primero, existe autonomía para el
diseño y desarrollo del currículo en educación
superior. Sin embargo, es importante destacar que
autonomía no es sinónimo de calidad en
enseñanza, dado que priman contenidos en cierta
área específica, sobre la formación pedagógica,
totalmente indispensable en cualquier nivel
educativo.
Segundo, es importante que los diferentes
actores conozcan el currículo, porque facilita la
reformulación y evidencia de una construcción
colectiva de los participantes. Sin embargo, en
muchas ocasiones se convierte en un documento
legal y obligatorio, pero no práctico.
Para resolver la segunda pregunta de
investigación, se ubicaron luego de la búsqueda
sistemática cinco estudios de modelos de
personalización tal y como se especificó en la
metodología. Los documentos analizados, junto
con las categorías que consideran, se listan en la
Tabla 3. Las categorías que se resaltan son los
estilos de aprendizaje, inteligencia artificial,
estrategias de aprendizaje y modelo de
personalización.
Tabla 3
Estudios relacionados con modelos de personalización en IA
Estudio
Categorías
Modelo de
personalización
Estrategias de
aprendizaje
Estilos de aprendizaje
IA
Supangat et al. (2020)
X
X
Maraza-Quispe (2019)
X
X
X
Karagiannis et al. (2018)
X
X
X
Abdullah et al. (2017)
X
X
X
Caro et al. (2015)
X
X
X
X
Nota. En esta tabla se consolidan algunas categorías relacionadas con la personalización del aprendizaje y se listan los
principales estudios encontrados en la literatura, además, se marca con una X la categoría que se aborda en el estudio,
elaboración propia (2021).
Como se puede observar en la Tabla 3, el
enfoque principal para la realización de modelos
de personalización son los estilos de aprendizaje
como variable de entrada. Dentro de los estudios
revisados, Maraza-Quispe (2019) propuso un
modelo inteligente de gestión de aprendizaje
personalizado en un ambiente de simulación
virtual basado en instancias de objetos de
aprendizaje. La metodología aplicada fue
Razonamiento Basado en Casos, en esta se
seleccionan instancias, objetos o ejemplos. Estos
objetos, pueden ser definidos como una “pieza de
conocimiento” y representan una experiencia
significativa.
Las principales etapas se resumen en la
Figura 2: Recuperación, Reutilización, Revisión y
Retención. Estas cuatro (4) etapas consolidan
tareas básicas como el agrupamiento y
clasificación de casos, selección y generación de
casos, el aprendizaje e indexación de casos,
medición de similaridad de casos, recuperación e
inferencia de casos, razonamiento, reglas de
Parra-Sánchez, J. (2022). Potencialidades de la Inteligencia Artificial en Educación Superior: Un Enfoque desde la Personalización. Revista Tecnológica-Educativa Docentes 2.0, 14(1),
19-27. https://doi.org/10.37843/rted.v14i1.296
Potencialidades de la Inteligencia Artificial en Educación
Superior: Un Enfoque desde la Personalización.
adaptación y minería de datos, que son tareas
propias de inteligencia artificial (IA).
Figura 2
Principales etapas de la metodología de
razonamiento basado en casos
Nota. Se describen las principales etapas de la metodología
de razonamiento basado en casos para la personalización,
adaptado de Maraza-Quispe (2019).
Por otra parte, Caro et al. (2015) elaboraron
un curso en cinco lecciones con un nivel básico de
complejidad para explicación de conceptos sobre
fundamentos de programación. De acuerdo con la
metodología MODESEC, el estudiante puede
efectuar cambios a recomendaciones realizadas
por el sistema y en este caso, se calificará como
una recomendación inapropiada. Si la cantidad de
cambios necesarios para ajustar una estrategia
pedagógica de acuerdo con el perfil del estudiante
es alta, el nivel de personalización será bajo. Los
autores, no evaluaron el rendimiento académico
sobre dicha asignatura, sino la pertinencia de una
estrategia recomendada por parte del sistema.
En el estudio propuesto por Abdullah et al.
(2017), los autores compararon entre notas finales
de dos secciones de un curso de programación.
Una de las secciones se enseñó tradicionalmente y
la otra, se adaptó para que coincidiera el estilo de
aprendizaje del estudiante con el estilo de
enseñanza del profesor. En este caso, los
resultados experimentales mostraron un gran
contraste entre las calificaciones finales de los
estudiantes de ambas secciones.
Adicionalmente, Supangat et al. (2020)
demostraron que los módulos realizados pueden
ayudar a los profesores para distribuir el material
de adecuado a los estilos de aprendizaje de los
estudiantes ayudando a que los estudiantes
estudien más eficazmente de acuerdo con sus
preferencias. Dentro de las componentes del
modelo, se tienen: una biblioteca multimedia, un
repositorio de objetos de aprendizaje, un
estudiante modelo (caso), un modelo de
instrucción, un motor adaptativo y una interfaz de
usuario. Se realizó un esquema básico del paso a
paso, en la Figura 3.
Figura 3
Principales etapas de la metodología de diagrama
de casos
Nota. Se describen las cuatro principales etapas de la
metodología de diagrama de casos, adaptado de Supangat
(2020).
Finalmente, Karagiannis et al. (2018)
proporcionan en su estudio, un enfoque que
detecta el estilo de aprendizaje de los estudiantes
con el fin de proporcionar cursos adaptables en
Moodle e incluye una herramienta novedosa que
es la evaluación de la interacción de los estudiantes
con los diferentes recursos. Para esta
investigación, se formaron dos grupos de
estudiantes: el experimental y el de control. El
primero tuvo acceso a un curso de Moodle que
detectó automáticamente sus estilos de aprendizaje
y tenía un mecanismo adaptativo, mientras que el
segundo tenía acceso a una versión estándar de un
curso de Moodle. Demostraron que el grupo del
curso adaptativo tuvo un mejor desempeño y una
mayor motivación para el desarrollo de la
asignatura.
La Tabla 4, muestra un resumen de los
estudios, para la metodología realizada, la temática
abordada, y si, en el desenlace se comparan las
notas finales y se utiliza un grupo de control.
Parra-Sánchez, J. (2022). Potencialidades de la Inteligencia Artificial en Educación Superior: Un Enfoque desde la Personalización. Revista Tecnológica-Educativa Docentes 2.0, 14(1),
19-27. https://doi.org/10.37843/rted.v14i1.296
Potencialidades de la Inteligencia Artificial en Educación
Superior: Un Enfoque desde la Personalización.
Tabla 4
Metodologías y temáticas de estudios relacionados con modelos de personalización
Estudio
Metodología
Temática
Comparación
de notas
Grupo de
control
Supangat et al. (2020)
Diagrama de Casos
No aplica
No
No
Maraza-Quispe (2019)
RBC (Razonamiento Basado
en Casos)
Mecánica
newtoniana
No
No
Karagiannis et al. (2018)
Aprendizaje adaptativo
Algoritmos en C
Sí
Sí
Abdullah et al. (2017)
Mat-ES
Matched Educator-Student
Fundamentos de
programación
Sí
Sí
Caro et al. (2015)
MODESEC
(Modelo para el desarrollo de
software educativo basado en
competencias)
Fundamentos de
programación
No
No
Nota. De acuerdo con los modelos encontrados se describe la metodología, temática y si en el sistema se realiza o no
comparación de notas de acuerdo con la intervención. Además, si en la investigación se ha utilizado un grupo de control,
elaboración propia (2021).
A modo de resumen, en la Tabla 5, se
consolidaron las potencialidades a destacar de
cada estudio, relevantes en el proceso de creación
de un modelo de personalización que integre
características de varios modelos.
Tabla 5
Potencialidades de las metodologías revisadas
Estudio
Potencialidades de las metodologías
revisadas
Supangat et
al. (2020)
El estudiante puede evaluar los recursos que
se le entregan, con el fin de revisar si la
personalización está acorde con sus intereses
y necesidades. A su vez, el informe, presenta
diagramas explicativos acerca de la relación
entre la inteligencia artificial y la educación.
Maraza-
Quispe
(2019)
La metodología de RBC podría ser un punto
de partida para la personalización de
estrategias de aprendizaje, en las que se
evalúe el fracaso o éxito de cada una de ellas.
Karagiannis
et al. (2018)
Se utilizan diferentes métricas de interacción
con los diferentes objetos de aprendizaje, lo
cual es muy importante para aportar
información adicional sobre cómo los
estudiantes están interactuando con el
modelo.
Abdullah et
al. (2017
La metodología descrita es interesante en la
medida que consolida dos grupos diferentes
y permite realizar un comparativo entre
grupo de control y grupo experimental.
Caro et al.
(2015)
El modelo se desarrolló por módulos y se
crean diferentes reglas, teniendo en cuenta,
el estilo de aprendizaje y los objetos
adaptados a cada perfil.
Nota. Potencialidades de cada una de las metodologías
revisadas para la construcción de modelos de
personalización, elaboración propia (2021).
Discusión
A la luz de los resultados obtenidos, se hace
indispensable pensar en la importancia de
contrastar los modelos pedagógicos y
curriculares con respecto a la personalización. Es
importante recordar que un sistema con alto
contenido técnico, pero poco contenido
pedagógico disuadirá a los estudiantes para su
utilización. Por otra parte, se observan múltiples
metodologías desarrolladas para los modelos de
la personalización desde la IA, desarrolladas en
su mayoría desde el punto de vista conceptual y
el campo de aplicación sigue siendo el caso de
uso para asignaturas muy específicas y en su
mayoría relacionadas con las áreas de sistemas e
informática.
Se coincide con Raj & Renumol (2021)
quienes indican que los sistemas en este dominio
serían sistemas ubicuos y autónomos utilizando
el conocimiento en sistemas de recomendación.
Por otra parte, los resultados indican un alto
potencial de la IA para diferentes procesos de
enseñanza-aprendizaje, lo que coincide con lo
planteado por Bouzenada et al. (2018) dado que
el contenido de aprendizaje puede personalizarse
específicamente y adaptarse al conocimiento y
las capacidades individuales del dominio de los
alumnos. Algunos hechos importantes de las
metodologías de personalización revisadas
incluyen:
1. Desde lo pedagógico, es indispensable
revisar la intencionalidad, el desarrollo de
contenidos, las relaciones y los criterios
de evaluación.
2. Desde lo curricular, se evidencia el
principio de singularidad en cuanto a que
no se puede desconocer el contexto
Parra-Sánchez, J. (2022). Potencialidades de la Inteligencia Artificial en Educación Superior: Un Enfoque desde la Personalización. Revista Tecnológica-Educativa Docentes 2.0, 14(1),
19-27. https://doi.org/10.37843/rted.v14i1.296
Potencialidades de la Inteligencia Artificial en Educación
Superior: Un Enfoque desde la Personalización.
propio del escenario educativo y los
estudiantes y de dinamismo, pues el
discurso didáctico no permanece estático,
sino que, por el contrario, se realimenta y
modifica de acuerdo con los resultados.
3. Los estudiantes pueden evaluar si los
recursos que se le entregan son adecuados
y, además, realimentar el proceso.
4. Las herramientas tecnológicas sirven de
apoyo para optimizar el proceso de
selección de los recursos.
5. Los estudiantes son más conscientes de su
proceso y de la forma en la cual están
aprendiendo.
6. Si bien hay elementos técnicos
importantes al personalizar objetos de
aprendizaje, no se evidencia la evaluación
de intervenciones concretas para mejorar
el aprendizaje de acuerdo con los datos
que arrojan dichos sistemas en sus casos
de uso.
Se concuerda, además, con Tetzlaff et at.,
(2021) quienes indican que la personalización es
más exitosa cuando las características relevantes
del alumno se miden repetidamente durante el
proceso de aprendizaje y cuando estos datos se
utilizan para adaptar la instrucción de manera
sistemática, lo cual es un principio fundamental
en IA.
El enfoque de esta revisión-reflexión
permitirá a futuro construir un modelo de
personalización que incluya aspectos relevantes
de diferentes metodologías con el fin de
consolidar estrategias de aprendizaje que
permitan el mejoramiento de los resultados de los
estudiantes. En el campo de la investigación, la
articulación de IA y educación continua, siendo
un enfoque de trabajo desafiante en el campo
pedagógico y curricular.
Conclusiones
Inicialmente, este estudio se consolida como
punto de partida para la creación de modelos de
personalización que involucren estrategias de
aprendizaje, con el que se determinaron algunos
aspectos importantes para su diseño y
construcción, desde lo pedagógico y lo curricular
y no sólo lo técnico. Así, como las
potencialidades de algunas metodologías
previamente realizadas. El ejercicio de revisión y
reflexión respecto a las relaciones entre los
modelos pedagógicos y curriculares con la
personalización del aprendizaje y las
metodologías que se han llevado a cabo para
elaborar procesos de personalización mediante el
uso de inteligencia artificial arroja las
conclusiones expuestas a continuación.
En principio, no todos los estudios de
modelos de personalización realizan una
intervención para evaluar los resultados. Algunos
de estos modelos son complejos en cuanto al
lenguaje de programación y en sus conclusiones
se evidencia un excelente desarrollo de software
con sustento tecnológico, pero con algunos
vacíos en los aspectos pedagógicos y de
evaluación. Adicionalmente, las metodologías
encontradas utilizan un término genérico, no se
encuentran estandarizadas. Esto se debe a que
gran parte de ellas, son creadas por los autores, lo
cual se puede observar por el nombre que le
asignan mediante el uso de siglas. En general, el
caso de uso se realiza con pequeños grupos de
estudiantes para revisar su funcionalidad desde el
punto de vista informático, pero no se articulan
como una política institucional.
Por otra parte, se observa desde la
construcción de los modelos, que las áreas de
estudio más comunes son fundamentos de
programación o relacionadas con ingeniería de
sistemas, esto se debe a la idoneidad de los
docentes diseñadores en áreas relacionadas con
la computación. Además, dentro de las
posibilidades de abordaje en el campo de técnicas
de inteligencia artificial aplicadas a la educación,
se pueden evidenciar que estas técnicas son
versátiles.
Por lo que, no hay una sola técnica para
ejecutar una misma tarea y en la mayoría de los
estudios, se utilizan diferentes de ellas para
contrastar los resultados. Por último, en el
presente estudio no se encontraron
investigaciones que involucren de forma
integrada los conocimientos previos, los estilos
de aprendizaje y otras variables no académicas,
como entrada para el modelo de personalización.
Como aporte a futuras investigaciones, se
recomienda tener en cuenta los modelos
pedagógicos y curriculares en la construcción
modelos de personalización. Además, se debe
realizar un contraste entre las metodologías
Parra-Sánchez, J. (2022). Potencialidades de la Inteligencia Artificial en Educación Superior: Un Enfoque desde la Personalización. Revista Tecnológica-Educativa Docentes 2.0, 14(1),
19-27. https://doi.org/10.37843/rted.v14i1.296
Potencialidades de la Inteligencia Artificial en Educación
Superior: Un Enfoque desde la Personalización.
disponibles en la literatura, con el fin de evaluar
fortalezas y debilidades. Por otra parte, no debe
desconocerse el contexto de la población a la cual
van enfocados los modelos, lo que no depende sólo
del curso a impartir, sino de los objetivos de
formación, disponibilidad de recursos y datos
disponibles con respecto a los estudiantes.
Agradecimiento
Agradecimiento a las tutoras Dra. Ingrid
Durley Torres Pardo y Dra. Carmen Ysabel
Martínez de Merino por su apoyo constante en el
proceso de la tesis doctoral: “modelo de
personalización de estrategias de aprendizaje
basado en IA para estudiantes en riesgo de
deserción universitaria por desempeño
académico”.
Referencias
Abdullah, M., Bayahya, A. Y., Ba Shammakh, E. S., Altuwairqi,
K. A., & Alsaadi, A. A. (2017). A novel adaptive e-learning
model matching educator-student learning styles based on
machine learning. Communication, Management and
Information Technology - Proceedings of the International
Conference on Communication, Management and
Information Technology, ICCMIT 2016, 773–782.
https://doi.org/10.1201/9781315375083-109
Aragón-García, M. (2016). Correlación inherente de los estilos del
aprendizaje y las estrategias de enseñanza- aprendizaje.
Revista Iberoamericana de Producción Académica y
Gestión Educativa, 4, 1–16.
http://pag.org.mx/index.php/PAG/article/view/586
Bouzenada, S. N. E., Zarour, N. E., & Boissier, O. (2018). An
agent-based approach for personalised and adaptive
learning. International Journal of Technology Enhanced
Learning, 10(3), 184.
https://doi.org/10.1504/ijtel.2018.10010193
Caro, M. F., Josyula, D. P., & Jiménez, J. A. (2015). Modelo
pedagógico multinivel para la personalización de
estrategias pedagógicas en sistemas tutoriales inteligentes.
DYNA (Colombia), 82(194), 185–193.
https://doi.org/10.15446/dyna.v82n194.49279
Flórez-Ochoa, R. (2000). Evaluación, pedagógica y cognición.
McGraw-Hill.
Garzuzi, V. (2013). El desarrollo de estrategias de aprendizaje
durante las trayectorias estudiantiles universitarias. Revista
de Orientación Educacional, 27(51), 67–86.
https://doi.org/10.1017/CBO9781107415324.004
González, R. A., & D’Ancona, M. A. C. (1997). Metodología
Cuantitativa. Estrategias y técnicas de investigación social.
Reis, 80, 240. https://doi.org/10.2307/40183928
Ibáñez-Bernal, C. (2007). Un análisis crítico del modelo del
triángulo pedagógico: Una propuesta alternativa. Revista
Mexicana de Investigación Educativa, 12(32), 435–456.
https://www.redalyc.org/pdf/140/14003220.pdf
Karagiannis, I., & Satratzemi, M. (2018). An adaptive mechanism
for Moodle based on automatic detection of learning styles.
Education and Information Technologies, 23(3), 1331–
1357. https://doi.org/10.1007/s10639-017-9663-5
Lerís-López, D., Sein-Echaluce, M., Hernández, M., & Fidalgo-
Blanco, Á. (2016). Participantes heterogéneos en MOOCs
y sus necesidades de aprendizaje adaptativo. Education in
the Knowledge Society (EKS), 17(4), 91.
https://doi.org/10.14201/eks201617491109
Maraza-Quispe, B., Oviedo, O., Cisneros-Chavez, B., Cuentas-
Toledo, M., Cuadros-Paz, L., Fernandez-Gambarini, W.,
Quispe-Flores, L., & Caytuiro-Silva, N. (2019). Model to
personalize the teaching-learning process in virtual
environments using case-based reasoning. ACM
International Conference Proceeding Series, 105–110.
https://doi.org/10.1145/3369255.3369264
Raj, N. S., & Renumol, V. G. (2021). A systematic literature
review on adaptive content recommenders in personalized
learning environments from 2015 to 2020. Journal of
Computers in Education. https://doi.org/10.1007/s40692-
021-00199-4
Rincón-Flores, E. G., Mena, J., López-Camacho, E., & Olmos, O.
(2019). Adaptive learning based on AI with predictive
algorithms. ACM International Conference Proceeding
Series, 607–612. https://doi.org/10.1145/3362789.3362869
Rivero-Albarrán, D. M., Ulloa-Erazo, N. G., Guerra, L. R. T.,
Arellano, B., & Arciniegas,S. M. A. (2019). Agente
adaptativo para la enseñanza en ambientes
inteligentes. Revista Ibérica de Sistemas e Tecnologias de
Informação, (19), 694–707. https://bit.ly/3GWNevj
Rodríguez, N. (2004). Criterios para el Análisis del Diseño
Curricular. Educación, Aprendizaje y Cognición. Teoría En
La Práctica, 107–122.
http://servicio.bc.uc.edu.ve/educacion/revista/n45/art06.pd
f
Supangat, M. B. S. (2020). Development of e-learning system
using felder and silverman’s index of learning styles model.
International Journal of Advanced Trends in Computer
Science and Engineering, 9(5), 8554–8561.
https://doi.org/10.30534/ijatcse/2020/236952020
Tetzlaff, L., Schmiedek, F., & Brod, G. (2021). Developing
Personalized Education: A Dynamic Framework.
Educational Psychology Review, 33(3), 863–882.
https://doi.org/10.1007/s10648-020-09570-w