41
Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación
Adaptive Learning Technology Models Applied to Education
En los últimos diez años, se han publicado diversas investigaciones que proponen modelos o
sistemas de aprendizaje adaptativo o personalizado tomando como base el estudio de los estilos
de aprendizaje, las habilidades cognitivas o la interacción del estudiante con los objetos de
aprendizaje. El objetivo de esta investigación fue efectuar una revisión sistemática de los
modelos o sistemas de aprendizaje adaptativo propuestos durante el periodo 2012-2021 tomando
en cuenta autores de origen hispanoamericano. Para su realización, se empleó el método
analítico, bajo el paradigma positivista, con enfoque cuantitativo de tipo descriptivo apoyado en
el metaanálisis y con un diseño experimental de orden transversal. Se aplicó la metodología de
análisis de contenido apoyada en las directrices de la declaración Preferred Reporting Items for
Systematic reviews and Meta-Analyses para la elaboración de revisiones sobre una muestra de
50 estudios seleccionados de diferentes bases de datos científicas que propusieran modelos o
sistemas de aprendizaje adaptativo. Se utilizaron dos categorías de análisis: objeto de estudio y
estructura del sistema o modelo propuesto. A través de una matriz bibliográfica, como, una
matriz analítica se registró y organizó la información recabada. Dentro de los resultados
obtenidos se observó que la mayor parte de los estudios tienen estructuras basadas en tres
componentes, siendo la inteligencia artificial la técnica de adaptabilidad más empleada; de igual
forma, se observó una relativa exigüidad de estudios elaborados en Hispanoamérica. Se
concluyó mencionando los nichos de investigación sobre aprendizaje adaptativo aplicado a la
Educación y una serie de sugerencias en torno a trabajos futuras.
Palabras Clave: Modelos tecnológicos, aprendizaje adaptativo, educación.
¹Facultad de Informática. Universidad
Autónoma de Querétaro
²Facultad de Ingeniería. Universidad
Autónoma de Querétaro
1https://orcid.org/0000-0002-5943-3885
2https://orcid.org/0000-0002-0768-87802
¹México
²México
¹rquintanar02@alumnos.uaq.mx
²ma.sandra.hernandez@uaq.mx
Quintanar Casillas, R. & Hernández López,
Ma. S. (2022). Modelos Tecnológicos de
Aprendizaje Adaptativo Aplicados a la
Educación: Revisión Sistemática de la
Literatura. Revista Tecnológica-Educativa
Docentes 2.0, 15(1), 41-58.
https://doi.org/10.37843/rted.v15i1.308
R. Quintanar Casillas y Ma. S. Hernández
López, "Modelos Tecnológicos de
Aprendizaje Adaptativo Aplicados a la
Educación: Revisión Sistemática de la
Literatura", RTED, vol. 15, n.° 1, pp. 41-58,
jun. 2022.
https://doi.org/10.37843/rted.v15i1.308
Raúl Quintanar Casillas¹ y Ma. Sandra Hernández López²
29/junio/2022
In the last ten years, several investigations have been published that propose adaptive or
personalized learning models or systems based on the study of learning styles, cognitive
abilities, or student interaction with learning objects. The objective of this research was to carry
out a systematic review of the adaptive learning models or systems proposed during the 2012-
2021 period, taking into account authors of Hispanic-American origin. For its realization, the
analytical method was used, under the positivist paradigm, with a descriptive quantitative
approach supported by meta-analysis and a cross-sectional experimental design. The content
analysis methodology was applied based on the guidelines of the Preferred Reporting Items for
Systematic reviews and Meta-Analyses declaration for the elaboration of thoughts on a sample
of 50 studies selected from different scientific databases that proposed adaptive learning models
or systems. Two categories of analysis were used: the object of research and the structure of the
proposed approach or model. Like an analytical matrix, a bibliographic matrix was broken and
organized the information collected. The results showed that most of the studies have structures
based on three components, with artificial intelligence being the most used adaptability
technique; likewise, a relative scarcity of studies carried out in Latin America and Spain was
observed. It was concluded by mentioning the research niches on adaptive learning applied to
Education and a series of suggestions regarding future work.
Keywords: Adaptive learning, technology models, education.
24/febrero/2022
01/junio/2022
41-58
Modelos Tecnológicos de Aprendizaje Adaptativo
Aplicados a la Educación.
Quintanar Casillas, R. & Hernández López, Ma.S. (2022). Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación: Revisión Sistemática de la Literatura.
Revista Tecnológica-Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308
42
42
Introducción
En los últimos diez años, se han publicado
diversas investigaciones que proponen modelos
o sistemas de aprendizaje adaptativo o
personalizado tomando como base el estudio de
los estilos de aprendizaje (EA), las habilidades
cognitivas (HC) o la interacción del estudiante
con los objetos de aprendizaje (OA); en algunos
casos se han incluido técnicas de inteligencia
artificial (IA) como el aprendizaje automático
(machine learning) o el aprendizaje por
reforzamiento (Rothman, 20218). A nivel
global, la región de Hispanoamérica cuenta con
poca producción científica en cuanto a
propuestas de aprendizaje adaptativo. Dadas las
premisas antes mencionadas resulta de interés
para los investigadores y académicos que
enfrenten problemáticas en las que la
adaptabilidad del aprendizaje se perciba como
una solución, conocer el estado del arte de los
modelos y sistemas de aprendizaje adaptativo y
aprendizaje personalizado, identificando los
objetos de estudio y las estructuras propuestas
en estos modelos.
Durante el proceso de búsqueda se
ubicaron tres revisiones sistemáticas sobre el
aprendizaje adaptativo y el aprendizaje
personalizado: a) Xie et al. (2019) realizan un
análisis descriptivo de 70 diferentes trabajos
sobre aprendizaje adaptativo o personalizado
clasificándolos por año de publicación, edad,
nivel de estudios de los sujetos de estudio,
temática del contenido educativo, tipo de
enfoque, hardware utilizado y tipo de resultados
obtenidos; por su parte; b) Afini et al. (2018)
exponen una revisión sistemática de 78 estudios
enfocados a la investigación de los rasgos
individuales en ambientes de aprendizaje
adaptativo; c) por su parte, Zhai et al. (2021)
consideran 100 diferentes estudios que utilicen a
la inteligencia artificial (IA) aplicada en la
educación.
Estas tres revisiones exponen la
construcción del estado del arte de los modelos y
sistemas de aprendizajes adaptativo y
personalizado desde diferentes aristas, en
diferentes niveles de detalle, aunque que no
consideran dentro de su análisis las estructuras de
los modelos planteados, las técnicas de IA
empleadas; además no se incluyen los trabajos
realizados en la región hispanoamericana.
De acuerdo con Alvarado et al. (2013), con
la concepción del estado del arte es posible
avanzar en la producción de nuevo conocimiento.
Tomando en consideración esta aseveración, la
presente investigación tuvo como objetivo aplicar
una revisión sistemática a los modelos o sistemas
de aprendizaje adaptativo propuestos durante el
periodo 2012-2021 mediante la metodología
Preferred Reporting Items for Systematic reviews
and Meta-Analyses (PRISMA) y considerando los
estudios realizados en Hispanoamérica, con el fin
de conocer el estado del arte en la materia. Este
cuerpo de conocimiento resulta útil al fungir
como una base teórica en el desarrollo de nuevos
modelos y sistemas de aprendizaje adaptativo.
Metodología
La presente investigación se desarrolló bajo
el método analítico, bajo el paradigma positivista,
con enfoque cuantitativo de tipo descriptivo
apoyado en el metaanálisis y con un diseño
experimental de orden transversal. El método
analítico que es un camino para llegar a un
resultado mediante la descomposición de un
fenómeno en sus elementos constitutivos (Lopera
et. al, 2010), en este caso, se realizó la
descomposición de los modelos y sistemas
considerados para el estudio en sus elementos
estructurales. De igual forma, esta investigación
se fundamenta bajo el paradigma constructivista
que permitió realizar una representación teórica
de la realidad de los modelos y sistemas de
aprendizaje adaptativo (Ramos, 2015).
El enfoque desde el que se abordó el
presente estudio es de tipo cuantitativo apoyado
en los procesos de codificación y cuantificación
de las variables o categorías de estudio, y de esta
forma, seguir un orden lógico e inconmutable
(Hernández-Sampieri, 2018). La investigación se
basó en las directrices establecidas en la
declaración PRISMA en lo referente a la
realización de revisiones sistemáticas (Page et al.,
2021). El trabajo desarrollado es de tipo
descriptivo a apoyado en el metaanálisis,
identificando las estructuras de los modelos
propuestos en los estudios analizados y
comparando los resultados obtenidos con
Quintanar Casillas, R. & Hernández López, Ma.S. (2022). Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación: Revisión Sistemática de la Literatura.
Revista Tecnológica-Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308
Modelos Tecnológicos de Aprendizaje Adaptativo
Aplicados a la Educación.
43
43
investigaciones previas (Page et al., 2021). La
investigación es de tipo descriptiva con un diseño
no experimental de orden transversal, con la
finalidad llevar a cabo una revisión sistemática de
la literatura científica referente al aprendizaje
adaptativo aplicado en la educación (Hernández-
Sampieri & Mendoza, 2018).
Para desarrollar la revisión sistemática, en
primera instancia se consideró como universo de
estudio o población a los trabajos enfocados al
aprendizaje adaptativo A partir de esta población,
se seleccionó una muestra integrada por 50
trabajos de investigación sobre aprendizaje
adaptativo. De acuerdo con Arias-Gómez et al.
(2016), la población es un conjunto de casos,
definido, limitado y accesible, que forma el
referente para la elección de la muestra que
cumple con una serie de criterios
predeterminados; por su parte, la muestra es un
subconjunto representativo de la población sobre
el cual se ejecuta el proceso investigativo (Otzen
& Manterola, 2017).
Durante el proceso de selección de trabajos,
se emplearon como instrumentos a la matriz
bibliográfica y a la matriz analítica para el registro
de la información recabada. Este proceso se apoyó
en la técnica del análisis documental; la técnica es
la forma en la que se siguen los pasos del método,
mientras que el instrumento es la aplicación de la
técnica (González, 2020). Con la información
registrada en la matriz bibliográfica, se realizó la
codificación, para su posterior análisis estadístico,
en el cual se cuantifican los datos y se realizan
cálculos estadísticos a fin de entender e interpretar
los resultados de dichos cálculos (Hernández-
Sampieri & Mendoza, 2018).
Con respecto a la metodología PRISMA, el
autor Page et al. determina dos fases
investigativas:
1) Planeación y diseño, en la que se establece
los criterios de elegibilidad, las fuentes de
información y la estrategia de búsqueda; y
2) Gestión, Análisis, elaboración y
formalización en la que se establecen a) el proceso
de selección de los estudios dividido en tres
etapas: identificación, cribado e inclusión y de
cuyo resultado se determina el universo, la
muestra y las categorías de análisis. Con esta
información se realiza una lectura lineal apoyada
en una matriz bibliográfica en la que se
inventarían los textos que conforman el universo
y sobre la cual se aplican los filtros de selección,
y en una matriz analítica de contenido en la que se
observen las categorías de análisis empleadas
para el estudio; y b) proceso de extracción y
análisis de los datos, en la que se realice la lectura
horizontal sobre una matriz analítica de
contenidos utilizada como método de síntesis a
través de dos categorías de análisis: objeto de
estudio y estructura propuesta (2020, p.794).
Primera Fase
Se realizó una búsqueda a través de
diferentes motores como lo son Academia.edu,
Google Académico, la Red de Revistas
Científicas de América Latina y el Caribe, España
y Portugal (REDALYC), Scientific Electronic
Library Online (SciELO), Sciencedirect y
Scopus, de trabajos que propongan Modelos de
Aprendizaje Adaptativo o Personalizado
utilizando las frases exactas “aprendizaje
adaptativo” o “aprendizaje personalizado” y que
incluyeran ya sea la palabra “sistema” o
“modelo”. Cabe señalar que se priorizó la
búsqueda y recuperación de trabajos originados
en la región de Hispanoamérica.
En idioma inglés, se emplearon “adaptive
learning”, “personalized learning” con la
combinación booleana AND con los vocablos
“model” o “system”, ya que las búsquedas
arrojaban un número de resultados mucho más
amplio. En la Figura 1 se puede observar el flujo
de trabajo para la búsqueda, recuperación y
selección de estudios siguiendo la metodología
PRISMA.
Como criterios de inclusión se estableció
que para los artículos considerados: a) su fecha de
publicación estuviera dentro del periodo
comprendido entre los años 2012 a 2021 y b) la
investigación subyacente se relacionara con el
campo de la Educación. Como criterios de
exclusión se estableció que los estudios no
considerados fueran aquellos que: a) no
propusieran modelos o sistemas de aprendizaje
adaptativo; b) no tuvieran un proceso de
intervención, en otras palabras, que el estudio no
contemplara la aplicación de instrumentos de
investigación a un conjunto determinado de
sujetos de estudio; c) correspondieran a revisiones
sistemáticas; y d) no especificaran técnicas de
Quintanar Casillas, R. & Hernández López, Ma.S. (2022). Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación: Revisión Sistemática de la Literatura.
Revista Tecnológica-Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308
Modelos Tecnológicos de Aprendizaje Adaptativo
Aplicados a la Educación.
44
44
adaptabilidad. A través de una lectura lineal como
la sugerida por Gómez et. al (2015) se
seleccionaron del universo de estudio
inventariado en la matriz bibliográfica y después
de aplicar los criterios de inclusión y exclusión,
50 trabajos de investigación sobre aprendizaje
adaptativo.
Figura 1
Diagrama de Flujo PRISMA para la Búsqueda, Recuperación y Selección de Estudios
Nota. Proceso elaborado con base en la declaración PRISMA del año 2020, elaboración propia (2022).
Segunda Etapa
Los resultados obtenidos en la primera
etapa se utilizaron para conformar una matriz
analítica con la que se desarrolló un análisis de
contenido mediante dos categorías de análisis:
objeto de estudio y estructura. Para cuantificar los
resultados de la segunda etapa, la categoría
“Objeto de estudio” se define como una
dimensión de la cual se desprenden los siguientes
indicadores: a) el tipo de propuesta (variable
dependiente) con la que se trabajó en cada
estudio, verificando si se trata de un modelo o
sistema de aprendizaje adaptativo (MAA o SAA)
o de un modelo o sistema de aprendizaje
personalizado (MAP o SAP); b) la estrategia
utilizada en la construcción del objeto de estudio
como pueden ser las habilidades cognitivas (HC),
las competencias (CA), o los estilos de
aprendizaje (EA) de los sujetos de estudio, o bien,
los objetos de aprendizaje (OA); c) si los sujetos
de estudio pertenecen a un ambiente escolar o
laboral (E/L).
Quintanar Casillas, R. & Hernández López, Ma.S. (2022). Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación: Revisión Sistemática de la Literatura.
Revista Tecnológica-Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308
Modelos Tecnológicos de Aprendizaje Adaptativo
Aplicados a la Educación.
45
45
La segunda categoría de análisis es la
“estructura propuesta” en cada uno de los estudios
revisados. Como parte de la lectura vertical
realizada en un inicio, se identificaron tres
submodelos componentes que son los más
utilizados: a) Modelo de Aprendizaje, b) Modelo
del Dominio, y c) Modelo de Adaptación y se
codificaron para su posterior cuantificación de
acuerdo con la siguiente nomenclatura
respectivamente: MA. MDOM y MAD. Otro
componente identificado en la “estructura
propuesta” son las técnicas de adaptabilidad
utilizadas en los módulos o modelos de
adaptación, identificadas con las siglas TA.
Dentro del conjunto de estudios analizados se
encontró un gran número de herramientas de
Inteligencia Artificial empleados en el MAD, de
las cuales se observa su clasificación en la Figura
2.
Figura 2
Clasificación de las Técnicas de Aprendizaje Automático para la Inteligencia Artificial
Nota. Clasificación de las diferentes técnicas de Aprendizaje Automático en la IA utilizadas en los Modelos y Sistemas de
Aprendizaje Adaptativo (MAA/SAA), elaboración propia con base en Sabita (2021).
De esta forma la “estructura propuesta” se
concibe como una dimensión cuyos indicadores
son MA, MDOM, MAD y TA. A través de una
lectura horizontal de la matriz analítica de
contenido, se selecciona uno por uno los
indicadores anteriormente definidos y se contrasta
la información obtenida para cada una de las
investigaciones revisadas. La codificación y
cuantificación de las dimensiones e indicadores
de la investigación permitieron exponer en los
resultados una serie de gráficas que muestran las
tendencias en materia de aprendizaje adaptativo.
Los resultados de la investigación son
analizados en la sección “Discusión” y finalmente
en la sección “Conclusiones” se exponen la
importancia y utilidad del corpus definido, y las
recomendaciones para propuestas futuras. En la
Figura 3 se muestra un esquema que resume la
metodología empleada para la revisión
sistemática objeto de la presente investigación.
Quintanar Casillas, R. & Hernández López, Ma.S. (2022). Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación: Revisión Sistemática de la Literatura.
Revista Tecnológica-Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308
Modelos Tecnológicos de Aprendizaje Adaptativo
Aplicados a la Educación.
46
46
Figura 3
Metodología Empleada para la Revisión Sistemática de Modelos y Sistemas de Aprendizaje Adaptativo
Nota. Diagrama resumen del proceso completo que se llevó a cabo durante la investigación, elaboración propia (2022).
Resultados
Con base en el análisis de los estudios
seleccionados, en lo que refiere a la dimensión de
“Estructura”, se observó que los módulos o
componentes de los modelos o sistemas
propuestos de aprendizaje adaptativo que más
frecuentemente se utilizaban dentro de sus
estructuras fueron el Módulo del Aprendiz
(MAP), el Módulo de Dominio u Objeto de
Aprendizaje (MDOM) y el Módulo de
Adaptación (MAD). Por otro lado, para la
dimensión del “Objeto de Estudio", se observó
que un gran número de trabajos se enfocaron en
el análisis de los objetos de aprendizaje y en
proponer versiones mejoradas de los LMS
incorporando elementos de adaptabilidad; la
investigación de las habilidades cognitivas en el
marco del aprendizaje adaptativo es escasa.
Primera Etapa
En la etapa de identificación se ubicaron
2770 estudios, de los cuales se retiraron 901 por
estar duplicados y 1283 trabajos por tener un
enfoque relacionado al estudio de sistemas de
inteligencia artificial automatizados que utilizan
algoritmos de aprendizaje adaptativo que no se
aplicaban al terreno de la Educación. De este
primer filtro se obtuvieron un total de 586
registros para la etapa de cribado de los cuales 67
presentaron un enlace de descarga incorrecto; de
los 519 artículos restantes, no fue posible
recuperar el texto completo de 166 de ellos, dando
como resultado un total de 353 artículos que
conformaron el universo de estudio, mismos que
fueron evaluados para su elegibilidad e
inventariados en una matriz bibliográfica. Los
criterios de inclusión y de exclusión expuestos en
líneas previas, se aplicaron al universo de
artículos seleccionados dando como resultado en
la etapa de inclusión un total de 50 trabajos que
conformaron la muestra de estudio, mismos que
fueron tomados en cuenta para efectuar la revisión
sistemática.
Segunda Etapa
En esta etapa se utilizó una matriz analítica
de contenido, la cual se puede observar en la
Tabla 1, ordenada de forma cronológica, en la que
se compendian los 50 trabajos de investigación
elegidos para realizar la revisión sistemática. Se
emplearon dos categorías de análisis o
dimensiones: Objeto de Estudio y Estructura.
Quintanar Casillas, R. & Hernández López, Ma.S. (2022). Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación: Revisión Sistemática de la Literatura.
Revista Tecnológica-Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308
Modelos Tecnológicos de Aprendizaje Adaptativo
Aplicados a la Educación.
47
47
Tabla 1
Lista de Trabajos Enfocados en el Estudio del Aprendizaje Adaptativo
Objeto de Estudio
Estructura
ID
Autor(es)
O
Prop.
HC
CA
E
A
LM
S
OA
E /
L
MAP
MDO
M
MAD
TA
1
Gonçalves y García
(2012)
H
SAA
X
X
E
X
X
X
IA - Sistemas de
Recomendación
2
Ahmad, Tasirb, Kasimc,
& Sahata (2013)
A
SAA
X
X
E
X
X
X
Modelo basado en
literatura - FSLSM
3
Leris, Vea y Velamazán
(2015)
H
SAA
X
E
X
Itinerario de
aprendizaje
4
Peña, González y
Mendoza (2015)
H
MAA
X
X
X
E
X
IA - Redes bayesianas
5
Roque-Alayón, Sánchez-
Díaz, y López-Padrón
(2015)
H
SAP
X
E
X
N/A
6
Velandia (2015)
H
SAA
X
X
E
X
X
X
IA - Arboles de
decisión, redes
neuronales, regresión
lineal, SVM y
algoritmos genéticos
7
May (2016)
E
MAA
X
X
E
N/A
N/A
N/A
IA - Reglas, redes
bayesianas, redes
neuronales y árboles de
decisión
8
Qodad et al. (2016)
F
SAA
X
X
X
L
X
X
X
Reglas de extracción y
FSLSM
9
Battou (2017)
F
SAA
X
X
E
X
Reglas Pedagógicas
10
Fernández, Ramírez y
Blanco (2017)
H
MAA
X
X
X
X
E
X
Métodos centrados en
profesorado,
descubrimiento y
resolución de
problemas
11
González, Benchoff,
Huapaya y Remon
(2017)
H
SAA
X
X
E
Felder and Silverman
(FSLSM)
12
Liu, McKelroy, Corliss
& Carrigan (2017)
U
SAA
X
E
X
X
Brightspace LeaPTM
13
Mira-Giménez (2017)
H
SAA
X
X
X
E
X
Itinerario de
aprendizaje
14
Real-Fernández, Molina-
Carmona y Llorens-
Largo (2017)
H
MAA
X
X
X
E
X
IA - Redes neuronales
gráficas (GNN)
15
Salazar-Ospina et al.
(2017)
H
SAA
X
X
E
X
X
X
Sistema multiagente
BROA
16
Shawky & Badawi
(2018)
F
SAA
X
E
X
IA- Aprendizaje por
refuerzo
17
Balasubramanian &
Margret (2018)
A
MAA
X
X
X
E
X
X
X
IA - Aprendizaje por
refuerzo
18
El Asame, Wakrim &
Battou (2018)
F
MAA
X
X
X
E
X
Competencias
requeridas
19
González, Becerra y
Olmos (2018)
H
SAA
X
X
E
X
FSLSM
20
Kellman, P. & Krasne, S
(2018)
U
SAA
X
X
E
X
VARK (Enfoque
Perceptivo)
21
Serrao-Neumann, S.,
Cox. M. & Low, D.
(2018)
O
MAA
X
X
L
X
Itinerario de
aprendizaje
22
Sfenrianto, S., Hartarto,
Y. & Akbar. H. (2018)
A
SAA
X
X
X
E
X
Itinerario de
aprendizaje y árbol de
decisión
23
Zulfiani, Suwarna, &
Miranto (2018)
A
SAA
X
X
X
E
X
X
VARK
24
Brateanu et al. (2019)
U
SAA
X
X
E
X
X
Itinerario de
aprendizaje
25
Chávez (2019)
H
SAP
X
X
E
X
N/A
26
Firdausiah, Yusofa, &
Hoirul (2019)
A
MAA
X
X
E
X
X
X
IA – Redes neuronales
Quintanar Casillas, R. & Hernández López, Ma.S. (2022). Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación: Revisión Sistemática de la Literatura.
Revista Tecnológica-Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308
Modelos Tecnológicos de Aprendizaje Adaptativo
Aplicados a la Educación.
48
48
27
Guevara y Aguilar (1)
(2019)
H
MAA
X
E
X
Objeto de
Aprendizaje
Adaptativo
28
Guevara y Aguilar (2)
(2019)
H
MAA
X
E
X
Objeto de Aprendizaje
Adaptativo
29
Hassan, Habiba, Majeed
& Shoaib (2019)
A
MAA
X
X
E
X
X
X
FSLSM
30
Hünicken, González,
Haag y Ruppel (2019)
H
SAA
X
X
X
E
X
Itinerario de
aprendizaje
31
Otero, Rivera, Pedraza, y
Canay (2019)
H
SAA
X
E
X
IA – Sistemas de
Recomendación
32
Sheeba y Krishnan
(2019)
A
MAA
X
X
E
X
FSLSM
33
Yaplea & Yu (2019)
A
MAA
X
E
X
Aprendizaje reverso
34
Duque, Ovalle & Carrillo
(2020)
H
MAA
X
X
E
X
Reglas, VARK,
FSLSM
35
Jiménez, Fernández y
Almenárez (2020)
H
MAA
X
X
L
X
Itinerario de
aprendizaje
36
Koch, de Azevedo,
Sebastiany y Cortina
B
SAA
X
X
E
X
X
X
IA - AIEd
37
Koshova (2020)
E
MAA
X
L
N/A
38
Krechetov &
Romanenko (2020)
E
SAA
X
X
E
X
IA - Algoritmo
genético
39
Kuniyoshi & Kurahashi
(2020)
A
SAA
X
E
X
IA - Red Compleja
(Bayesiana)
40
Renn, Arean, Raue,
Aisenberg, Friedman &
Popovic (2020)
U
SAA
X
E
X
ITS - Intelligent
Tutorial System
41
Sokol, Bronin,
Karnaukh, & Bilov
(2020)
E
SAA
X
X
X
L
X
X
Algoritmo de búsqueda
42
Tabares, Duque &
Fabregat (2020)
H
MAA
X
X
E
X
X
VARK y FSLSM
43
Troussasa, Krouskaa &
Sgouropouloub (2020)
E
SAA
X
X
E
X
X
X
Generador de consejos
dinámicos (DAG)
44
Wang, Christensen &
Cui (2021)
U
SAA
X
X
E
X
Squirrel Ai Learning TM
45
Lwande, Muchemi, &
Oboko (2021)
F
SAA
X
X
X
E
X
X
Estimación del
comportamiento por
patrones
46
Rasheed & Wahid
(2021)
A
SAA
X
X
E
X
IA - Arboles de
decisión, SVM,
Regresión Logística y
FSLSM
47
Ríos-Rodríguez, Román-
Cao y Pérez-Medinilla
(2021)
H
SAA
X
X
E
X
X
X
Sistema multiagente
APA Prolog ©
48
Véliz, A., Madrigal, O.,
Correa, V. (2021)
H
SAA
X
E
X
IA - Aprendizaje por
refuerzo,
retroalimentación y
optimización
49
Yu, J. et al. (2021)
A
SAA
X
X
E
X
IA – Redes neuronales
50
Zhikharev, A., Deeney,
A., Igrunova, S.,
Klyuchnikov. D. &
Frolova, A. (2021)
E
SAA
X
X
E
X
IA – Redes neuronales
Nota. Origen (O): Asia (A), Brasil (B), Europa excepto España (E), África (F), Hispanoamérica (H), Estados Unidos (U);
Propuesta de Sistema o Modelo (Prop), Habilidades cognitivas (HC), Competencias de Aprendizaje (CA), Estilos de
Aprendizaje (EA), Sistema de Gestión del Aprendizaje (LMS), Objeto de Aprendizaje (OA), Contexto escolar o laboral
(E/L), Módulo de Aprendiz (MAP), Módulo de Dominio (MDOM), Módulo de Adaptación (MAD), Técnica de
adaptabilidad (TA), elaboración propia (2022).
Quintanar Casillas, R. & Hernández López, Ma.S. (2022). Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación: Revisión Sistemática de la Literatura.
Revista Tecnológica-Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308
Modelos Tecnológicos de Aprendizaje Adaptativo
Aplicados a la Educación.
49
49
En lo que refiere a la dimensión Objeto de
Estudio, para cada uno de los indicadores se
encontraron los siguientes hallazgos: a) en cuanto
al tipo de propuesta de los 50 estudios analizados,
31 correspondieron a sistemas de aprendizaje
adaptativo, 16 a modelos de aprendizaje
adaptativo, 2 a sistemas de aprendizaje
personalizado y 1 a un modelo de aprendizaje
personalizado (Figura 4); b) para la construcción
de su objeto de estudio, 34 trabajos consideraron
el estudio de los objetos de aprendizaje, 28
tomaron en cuenta un LMS, 18 se enfocaron en el
estudio de los estilos de aprendizaje, mientras que
14 consideraron estudiar las competencias del
aprendiz y 7 las habilidades cognitivas (Figura 5);
c) en cuanto al contexto al que se aplicaron los
modelos o sistemas propuestos, 45 se enfocaron a
un ambiente escolar y 5 a un ambiente laboral
(Figura 6).
Figura 4
Distribución de Trabajos por Tipo de Propuesta
Nota. Dimensión “Objeto de Estudio”, Modelo de Sistema
Adaptativo (MAA), Modelo de Aprendizaje Personalizado
(MAP), Sistema de Aprendizaje Adaptativo (SAA) o
Sistema de Aprendizaje Personalizado (SAP), elaboración
propia (2022).
Figura 5
Estrategias Utilizadas en la Construcción del
Objeto de Estudio
Nota. Dimensión “Objeto de Estudio”, distribución de los
trabajos analizados con base en el objeto de estudio,
elaboración propia (2022).
Figura 6
Distribución de Estudios de acuerdo con el
Contexto de la Investigación
Nota. Dimensión “Objeto de Estudio”. Los contextos en los
que se llevaron a cabo los estudios analizados se clasifican
en Escolar (E) y Laboral (L), elaboración propia (2022).
Para la dimensión “Estructura”, en cuanto a
los módulos (tratándose de un sistema) o
submodelos (tratándose de un modelo) MA,
MDOM y MAD, los resultados fueron los
siguientes: a) 30 estudios consideraron un solo
componente, de los cuales 7 se enfocaron
únicamente en MA, 12 exclusivamente en
MDOM, mientras que 11 solo en MAD; b) seis
estudios consideraron dos componentes, 1
MDOM y MAD, 2 MA y MAD, y 3 MA y
MDOM; y por último c) 11 estudios consideraron
los tres componentes mientras que 3 no utilizaron
ninguno (Figuras 7 y Figura 8). Cabe señalar que
los Modelos y Sistemas de Aprendizaje
Personalizado no disponen de un Módulo de
Adaptabilidad.
Figura 7
Número de Trabajos Revisados de acuerdo con la
Cantidad de Módulos o Submodelos Empleados
Nota. Dimensión “Estructura”. Distribución de los trabajos
revisados con respecto al número de componentes de
estructura considerados, elaboración propia (2022).
Quintanar Casillas, R. & Hernández López, Ma.S. (2022). Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación: Revisión Sistemática de la Literatura.
Revista Tecnológica-Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308
Modelos Tecnológicos de Aprendizaje Adaptativo
Aplicados a la Educación.
50
50
Figura 8
Número de submodelos (MAA/MAP) o módulos (SAA/SAP) empleados en los trabajos revisados
Nota. Dimensión “Estructura”. Distribución de los trabajos revisados con base en la estructura considerada en sus
propuestas, elaboración propia (2022).
En cuanto a las técnicas de adaptabilidad
empleadas, en el conjunto de estudios analizados
las más utilizadas fueron las técnicas de
inteligencia artificial con un total de 27. En 10
ocasiones se utilizó el modelo Felder- Silverman
(FSLSM) para la detección del estilo de
aprendizaje, mientras que el modelo VARK se
utilizó en 5 estudios. La técnica de itinerario de
aprendizaje apareció en siete trabajos, mientras
que técnicas como las reglas, los objetos de
aprendizaje adaptativo, la minería de datos y el
uso de competencias requeridas aparecieron en
dos trabajos cada una (Figura 9).
Figura 9
Técnicas de Adaptabilidad Empleadas en los Trabajos de Investigación Analizados
Nota. Dimensión “Estructura”. Distribución de los estudios analizados de acuerdo con las técnicas de adaptabilidad
utilizadas, elaboración propia (2022).
En específico, las técnicas de inteligencia
artificial mayormente empleadas fueron las redes
neuronales que aparecieron en 5 trabajos,
seguidas de los árboles de decisión utilizados en
cuatro trabajos. En un tercer peldaño se ubicaron
el aprendizaje por refuerzo y las redes bayesianas,
mismas que aparecieron cada una en tres trabajos
de investigación revisados (Figura 10).
Quintanar Casillas, R. & Hernández López, Ma.S. (2022). Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación: Revisión Sistemática de la Literatura.
Revista Tecnológica-Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308
Modelos Tecnológicos de Aprendizaje Adaptativo
Aplicados a la Educación.
51
51
Figura 10
Técnicas de Inteligencia Artificial Empleadas en los Trabajos de Investigación Analizados
Nota. Dimensión “Estructura”. Hay estudios que aplican más una técnica de IA, elaboración propia (2022).
De acuerdo con el análisis realizado a las
estructuras de los trabajos revisados, 11 de estos
estudios integran en sus propuestas las estructuras
más robustas al considerar los tres componentes
definidos, es decir los submodelos o módulos de
aprendiz, dominio y adaptación. A continuación,
se describen de forma breve las estructuras
utilizadas en estas propuestas:
1. Gonçalves & García (2012) proponen
un Sistema e-learning adaptativo
hipermedia el cual emplea un sistema de
recomendación basado en contenidos e
integrado por cuatro subsistemas
diferentes: subsistema de gestión de
objetos de aprendizaje y diseño de
aprendizaje; subsistema de gestión del
conocimiento; subsistema de
adaptación; y subsistema de
visualización y presentación. El
subsistema de adaptación toma en
consideración las características del
estudiante por lo que en este se integra
el módulo del aprendiz. Los objetos de
aprendizaje son buscados y
seleccionados de diferentes sitios de
Internet a través de un proceso de
minería de datos.
2. Ahmad et al. (2013) proponen un
sistema para la detección automática de
estilos de aprendizaje. Esta detección se
realiza a través de un método basado en
literatura que utiliza el modelo de Felder
y Silverman y es el proceso principal del
módulo del aprendiz. Este método
identifica los estilos de aprendizaje
según el comportamiento del estudiante
frente al sistema LMS utilizado, el cual
contiene a los objetos de aprendizaje
suministrados. De acuerdo con el
comportamiento del estudiante frente al
LMS, es como se liberan los objetos de
aprendizaje logrando de esta manera la
adaptabilidad.
3. Velandia (2015) propone un Recurso
Educativo Digital Adaptativo (REDA)
para la mejora de las HC utilizando
como método el cuestionario de estilos
de Felder y Silverman, y soportado en
técnicas de IA y contenidos que resultan
ser técnicas que interactúan con HC. El
REDA se compone por una interfaz
multimedia y una base de datos apoyada
en técnicas de minería de datos y
sistemas de decisiones, y tres módulos:
el módulo del estudiante que contiene la
base de datos con información que es
Quintanar Casillas, R. & Hernández López, Ma.S. (2022). Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación: Revisión Sistemática de la Literatura.
Revista Tecnológica-Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308
Modelos Tecnológicos de Aprendizaje Adaptativo
Aplicados a la Educación.
52
52
obtenida a partir del test de EA del
estudiante; el módulo dominio, donde se
encuentra toda la información de los
contenidos que van a ser adaptados a
partir del análisis de las falencias que
tiene el usuario y de las mejoras
alcanzadas; y el módulo pedagógico
donde se define los procesos de
adaptabilidad basados en técnicas de IA
a partir de procesos estadísticos de
minería de datos.
4. Qodad et al. (2016), proponen un
sistema adaptativo basada en un modelo
laboral, el cual se compone de cinco
submodelos. Estos cinco componentes
son: dominio, compuesto por los
Objetos de Aprendizaje (OA),
entendidos como materiales educativos
digitales interactivos, accesibles, e
incluso amenos (Carrillo et al., 2019);
estudiante, basado en el conocimiento y
estilo del estudiante; trabajo,
representado por los elementos de la
oferta laboral; instrucción que
representa la pedagogía utilizada; y
adaptabilidad para los OA específicos
de acuerdo con cada EA. El modelo
propuesto se basa en el concepto de
instrucción diferenciada tomando sus
elementos: el contenido, el estilo de
aprendizaje, el producto (evaluación del
estudiante) y el ambiente de
aprendizaje; y utiliza el modelo de
Felder y Silverman para la detección del
estilo de aprendizaje. En el artículo no
se especifica una técnica de inteligencia
artificial para el submodelo de
adaptación, sin embargo, de forma
concluyente sugiere el uso de una Red
Bayesiana en trabajos futuros que se
basen en el sistema propuesto.
5. Salazar-Ospina et al. (2017) proponen
un sistema de recomendación
adaptativo que utiliza el filtrado
colaborativo. Dentro de su estructura se
contempla un módulo con el perfil del
estudiante (módulo del aprendiz) y un
módulo del objeto de aprendizaje. La
adaptabilidad se logra a través de
diferentes agentes (usuario, interfaz,
evaluador, de recomendación, para los
repositorios local y remoto y el agente
central o coordinador).
6. Balasubramanian & Margret (2018)
proponen un modelo para la detección
de los EA, el cual se advierte como
innovador y detallado, ya que no se basa
en estilos de aprendizaje predefinidos
como los estilos de Felder y Silverman,
sino que detecta para cada sujeto de
estudio su estilo de aprendizaje en
particular. Otro diferenciador con
respecto al resto de los trabajos
estudiados es que consideran un
enfoque netamente cuantitativo en
cuanto a sus resultados los cuales se
parcializan para cada uno de los
submodelos que lo integran.
7. Firdausiah, Yusofa & Hoirul (2019)
proponen un modelo de aprendizaje
personalizado basado en un algoritmo
de aprendizaje profundo que realiza una
analítico del comportamiento del
estudiante logrando de esta manera la
adaptabilidad. El modelo propuesto se
integra por cuatro componentes:
componente basado en competencias en
donde se encuentran los objetos de
aprendizaje; individualizado, en el que
se tiene el modelo del aprendiz;
diferenciado; y adaptativo.
8. Hassan et al. (2019) proponen un
modelo de aprendizaje adaptativo que
utiliza la gamificación en un sistema e-
learning detectando los estilos de
aprendizaje de acuerdo con el modelo
de Felder y Silverman. Se integra por
cuatro submodelos: del estudiante, del
estilo de aprendizaje (aprendiz),
dimensión de interacción y aprendizaje
(adaptación) y adaptación de
comportamiento que contiene a los
objetos de aprendizaje o juegos
seleccionados para el estudiante.
9. Koch et al. (2020) proponen un sistema
que utiliza herramientas adaptativas de
inteligencia artificial para la enseñanza
del idioma inglés. El sistema se basa en
una herramienta desarrollada por la
empresa Pearson denominada AIEd y se
integra por tres submodelos (aprendiz,
dominio y pedagógico) estos tres
Quintanar Casillas, R. & Hernández López, Ma.S. (2022). Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación: Revisión Sistemática de la Literatura.
Revista Tecnológica-Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308
Modelos Tecnológicos de Aprendizaje Adaptativo
Aplicados a la Educación.
53
53
submodelos convergen e interactúan
con los algoritmos de inteligencia
artificial provistos por AIEd.
10. Troussasa, Krouskaa & Sgouropouloub
(2020), proponen un sistema de
colaboración y personalización
mediante técnicas de lógica difusa para
el aprendizaje ludificado en la
educación superior. El sistema se
integra por tres módulos: evaluación del
conocimiento que contiene al modelo
del dominio del conocimiento (objeto
de aprendizaje); el módulo ejecutor de
la recomendación para la colaboración
en juego grupal el cual contiene la
representación vectorial de los
aprendices y el generador dinámico de
consejos el cual se basa en el modelo de
lógica difusa que se concibe como la
técnica de adaptación.
11. Ríos-Rodríguez, Román-Cao & Pérez-
Medinilla (2021) realizan una
intervención educativa con un sistema
de aprendizaje adaptativo previamente
desarrollado denominado APA-Prolog.
Es sistema APA-Prolog se compone de
tres módulos (denominados modelos en
la investigación): estudiante, adaptación
y dominio. Para lograr la adaptación
utilizan cinco agentes inteligentes: 1)
Adis, el cual verifica el perfil del
estudiante; 2) Tivo, el cual contiene los
objetos de aprendizaje sugeridos y el
seguimiento del progreso del
estudiante; 3) Teo, realiza decisiones
sobre los objetos de aprendizaje; 4)
Tica, verifica el progreso del estudiante
y emite recomendaciones y 5) Eva, se
enfoca en la evaluación del estudiante.
De la muestra de estudios analizada, se observa
una tendencia creciente en las investigaciones
sobre el aprendizaje adaptativo. Más de la mitad
de los trabajos revisados corresponden a los
últimos tres años (Figura 11). Lo anterior se
atribuye a la evolución y uso de las técnicas de
inteligencia, lo cual se ha intensificado en los
últimos años.
Figura 11
Distribución de los Trabajos Analizados por Año
de Publicación
Nota. Distribución cronológica del número de estudios
analizados, elaboración propia (2022).
De igual forma, los resultados muestran que
el mayor número de estudios analizados optaron
por el desarrollo de un sistema de aprendizaje
adaptativo (31), permitiendo de esta forma aplicar
una intervención en un ambiente escolar en 29
casos y en un ambiente laboral en 2 únicamente.
Lo anterior, indica una amplia predominancia de
sistemas de aprendizaje adaptativo en entornos
académicos contra una casi nula investigación de
los entonos laborales. Un caso similar se observa
en las propuestas de modelos de aprendizaje
adaptativo de las cuales solo 3 de 16 se enfocaron
en contextos laborales.
Los resultados también develan una
predominancia de estudios sobre aprendizaje
adaptativo con respecto a aquellos que indagaron
sobre el aprendizaje personalizado. En lo que
respecta al origen la mayor parte de los estudios
considerados para el estudio (21) corresponden a
la región. La segunda región con mayor número
de estudios considerados es Asia (11) mientras
que la tercera fue Europa.
Discusión
A través del análisis de contenido y
apoyado en la metodología PRISMA como
directriz para la construcción de revisiones
sistemáticas, es posible conocer el estado del arte
de los modelos o sistemas tanto adaptativos como
personalizados. Los resultados correspondientes a
la dimensión “Objeto de Estudio” indican que: 1)
Los estudios analizados se centraron en primera
instancia en los objetos de aprendizaje, que es
consecuencia del problema al que los
profesionales de la educación se enfrentan hoy en
día en elaborar diseños instruccionales
adecuados; 2) El segundo enfoque más
frecuentemente abordado está orientado a la
Quintanar Casillas, R. & Hernández López, Ma.S. (2022). Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación: Revisión Sistemática de la Literatura.
Revista Tecnológica-Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308
Modelos Tecnológicos de Aprendizaje Adaptativo
Aplicados a la Educación.
54
54
construcción de plataformas LMS adaptativas, en
otras palabras, en ofrecer una solución integral de
aprendizaje a los estudiantes.
Dado que el aprendizaje adaptativo se
apoya en el uso de herramientas tecnológicas se
justifica que el segundo mayor enfoque de los
estudios analizados hayan sido los sistemas LMS;
y 3) Se ha explorado en mayor medida el estudio
de los estilos de aprendizaje en comparación con
las habilidades cognitivas, aunque este último tipo
de investigaciones tiene una tendencia al alza en
años recientes.
En lo que refiere a la dimensión
“Estructura”, se identificaron tres componentes
comúnmente empleados en los modelos o
sistemas propuestos: el Módulo del Aprendiz
(MAP), el Módulo del Dominio (MDOM) y el
Módulo de Adaptabilidad (MAD). En el MAP se
obtiene y almacena toda la información necesaria
del perfil del estudiante, en el MDOM se integran
los objetos de aprendizaje que se entregan al
estudiante y en el MAD se utilizan las diferentes
técnicas de adaptabilidad que permiten la correcta
asignación de los objetos de aprendizaje a los
estudiantes dadas sus características.
De acuerdo con los resultados obtenidos, se
observa una mayor tendencia al empleo de
técnicas de inteligencia artificial para lograr la
adaptabilidad de los modelos o sistemas de
aprendizaje adaptativo. De los trabajos analizados
correspondientes a los últimos tres años, la mitad
utilizan técnicas de inteligencia artificial; en los
últimos dos años el 70% de los estudios revisados
emplearon dichas técnicas, mientras que en el
último año la totalidad de los trabajos realizado se
basan en inteligencia artificial. Investigaciones
similares a la desarrollada en el presente trabajo
aparecen en los estudios de Afini et al (2018), Xie
et al. (2019) y Zhai et al. (2021). Las
discrepancias entre los trabajos mencionados y la
presente investigación se exponen en las
siguientes líneas.
En el trabajo de Afini et. al (2018), se
identifican los perfiles individuales más
comúnmente usados en el modelo del aprendiz,
las técnicas aplicadas en la identificación de estos
perfiles, y los problemas suscitados en el modelo
de adaptación. Clasifican el modelo del aprendiz
en tres tipos con base en la Taxonomía de Bloom:
cognitivo, afectivo y mixto. De acuerdo con esta
clasificación, los estilos de aprendizaje caen
dentro del plano cognitivo, sin embargo, ubican a
las habilidades cognitivas como un enfoque
mixto, siendo que las investigaciones basadas en
habilidades cognitivas no necesariamente
involucran a las habilidades emocionales dentro
de su objeto de estudio. Por lo anterior en la
presente investigación se optó por tratar de forma
independiente a las habilidades cognitivas de los
estilos de aprendizaje.
Xie et al. (2019) definen las diferencias
entre aprendizaje adaptativo y personalizado,
aunque en sus resultados no muestran una
distinción entre ambos tipos de estudios; en el
presente trabajo se clasifican los estudios
analizados con base en las diferencias
previamente descritas. Por su parte, Zhai et al.
(2021) identifican cuatro tendencias en la
aplicación de las técnicas de inteligencia artificial
pero no exponen cuáles fueron las técnicas
empleadas en los trabajos analizados, como
ocurre en el caso del presente estudio.
Dentro de los puntos coincidentes que la
presente investigación mantiene con respecto a
los resultados expuestos en los trabajos antes
mencionados están los siguientes: a) en años
recientes ha habido un incremento sostenido en la
cantidad de estudios sobre aprendizaje adaptativo,
b) uno de los abordajes más utilizado en el modelo
del aprendiz es el de los estilos de aprendizaje, c)
existe una escasa investigación sobre las
habilidades cognitivas en su relación con el
aprendizaje adaptativo, d) el uso de las técnicas de
inteligencia artificial en los modelos y sistemas de
aprendizaje adaptativo es muy frecuente y se
observa en claro crecimiento, e) la distribución de
la técnicas de inteligencia artificial empleadas es
casi uniforme lo que hace difícil establecer un
patrón de predominancia; no obstante, existe una
tendencia emergente a un mayor uso de las redes
neuronales y el aprendizaje por refuerzo.
Cabe señalar que, durante el proceso de
búsqueda en los diferentes motores y bases de
datos científicas, no se encontró ningún trabajo de
revisión sobre modelos o sistemas de aprendizaje
adaptativo generados en Hispanoamérica; los
Quintanar Casillas, R. & Hernández López, Ma.S. (2022). Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación: Revisión Sistemática de la Literatura.
Revista Tecnológica-Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308
Modelos Tecnológicos de Aprendizaje Adaptativo
Aplicados a la Educación.
55
55
trabajos de revisión encontrados se originaron en
el sureste asiático. Lo anterior se debe a la escasa
investigación que existe en la región hispana
sobre esta temática. De los 50 trabajos analizados
16 se crearon en esta región, de los cuales 14
abordan problemáticas en torno al aprendizaje
adaptativo y 2 sobre aprendizaje personalizado.
Dentro de las limitaciones que enfrentó la
investigación están el acceder a trabajos no
gratuitos y de alto costo, así como a estudios con
acceso restringido. Por otro lado, la mayor parte
de los estudios considerados para el análisis tiene
su origen en Hispanoamérica, debido a que se
priorizó la búsqueda y recuperación de trabajos
originados en esta región. Sin embargo, cabe
señalar que, dada su exigüidad, el ubicar e integrar
trabajos elaborados en la región de
Hispanoamérica que cumplieran con los criterios
de inclusión se tradujo en una tarea laboriosa.
Otra de las dificultades que se tuvo durante
el desarrollo de la investigación fue identificar el
tipo de técnica de adaptabilidad, dada la amplia
variedad de herramientas de IA disponibles en la
actualidad. Los resultados alcanzados en la
presente investigación abren la pauta para que
trabajos futuros enfoquen en mayor medida al
estudio de las habilidades cognitivas y
competencias del estudiante que en los modelos
clásicos de estilos de aprendizaje, en los que ya se
define un conjunto delimitado dentro del cual se
categoriza al sujeto de estudio.
Lo anterior permite establecer nuevos
paradigmas que consideren: a) estilos de
aprendizaje mixtos y difusos con el apoyo de
herramientas de Inteligencia Artificial de
agrupamiento difuso (fuzzy clustering) como el
algoritmo Fuzzy C-Means; b) el seguimiento del
progreso cognitivo del estudiante a través de
estudio individualizado de los estilos de
aprendizaje y el desarrollo de las habilidades
cognitivas apoyado en tutores-agentes como los
utilizados en el aprendizaje por refuerzo; y c) el
uso de sistemas de recomendación para asignar
los objetos de aprendizaje de mayor influencia en
el aprendizaje del estudiante.
Conclusiones
La presente investigación contribuyó en la
construcción del estado del arte de los Modelos y
Sistemas de Aprendizaje Adaptativo y
Aprendizaje Personalizado para un periodo de
tiempo comprendido entre los años 2012 y 2022
tomando en consideración a los autores de origen
hispanoamericano. Como producto del análisis
desarrollado en la investigación, se observó que
los modelos o sistemas de aprendizaje adaptativo
para la solución de problemáticas educativas ha
generado beneficios a las instituciones en donde
se ha llevado a cabo su implementación, ya que
los estudiantes tienen acceso a una modalidad de
enseñanza que permite la entrega dinámica de los
recursos de aprendizaje con los que mejor se
desempeñan.
Además, la incorporación de técnicas de
Inteligencia Artificial en el diseño de estos
modelos ha permitido al aprendiz contar con
cierto grado de autonomía y acceder a esquemas
de autoaprendizaje, e incluso de autoevaluación.
Por otra parte, el estudio devela una baja
producción de propuestas de modelos y sistemas
de aprendizaje adaptativo en la región
hispanoamericana, dadas las razones expuestas en
la discusión de los resultados, por lo que se infiere
que este tipo de tecnologías educativas se aplican
en menor medida a los estudiantes de la región.
Dentro de los campos poco explorados o
nichos de investigación sobre aprendizaje
adaptativo aplicado a la Educación en lo que
refiere al objeto de estudio, se encuentra el campo
laboral; en tanto que la aplicación de la lógica
difusa para lograr la adaptabilidad de los Modelos
de Aprendizaje Adaptativo también se advierte
como una técnica poco empleada que puede ser
ampliamente explotada en investigaciones que
consideren que los individuos tienen un cierto
grado de pertenencia a uno o varios estilos de
aprendizaje.
Se propone entonces, que las problemáticas
de aprendizaje que enfrentan los investigadores y
académicos, sobre todo aquellas que tienen origen
en la región hispanoamericana, sean abordadas en
la medida de lo posible desde el enfoque del
aprendizaje adaptativo. Además, se sugiere que
estas futuras investigaciones: a) propongan
mejoras a las técnicas de adaptabilidad que ya han
sido empleadas en trabajos previos, o bien,
introduzcan una nueva técnica que resulte
innovadora; b) tomen en consideración para el
diseño de la estructura del modelo propuesto, un
esquema similar al del modelo MAP-MDOM-
Quintanar Casillas, R. & Hernández López, Ma.S. (2022). Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación: Revisión Sistemática de la Literatura.
Revista Tecnológica-Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308
Modelos Tecnológicos de Aprendizaje Adaptativo
Aplicados a la Educación.
56
56
MAD dados sus resultados positivos; y c) utilicen
el enfoque orientado a las habilidades cognitivas
y los estilos de aprendizaje, lo cual permite
generar un modelo del perfil del estudiante más
cercano a la realidad.
Referencias
Afini N., Shuib L., Md Nasir H.N., Bimba A., Idris N. &
Balakrishnan V. (2018). Identification of personal traits in
adaptive learning environment: Systematic literature
review, Computers & Education. 130. 168-190.
https://doi.org/10.1016/j.compedu.2018.11.005
Ahmad, N., Tasirb, Z., Kasimc, J., & Sahata, H. (2013). Automatic
Detection of Learning Styles in Learning Management
Systems. Procedia - Social and Behavioral Science, 103,
181 – 189. http://doi.org/10.1016/j.sbspro.2013.10.324
Alvarado, Y., Beltrán, M., Escobar, M., Espinosa, J., Gamboa, F.,
Gamboa, C., & Martínez, L. (2013). Estado del arte sobre
el concepto de trabajo cooperativo en el marco del
desarrollo de habilidades de lenguaje con proyección
social. [Tesis de Especialidad, Universidad de San
Buenaventura]. Repositorio de la Universidad de San
Buenaventura, Colombia.
http://bibliotecadigital.usb.edu.co/handle/10819/3224
Arias-Gómez, J., Villasís-Keever, M., & Miranda-Novales, M.
(2016). El protocolo de investigación III: la población de
estudio. Alergia Mex. 63(2), 201-206.
https://www.redalyc.org/pdf/4867/486755023011.pdf
Balasubramanian, V., & Margret, S. (2018). Learning style
detection based on cognitive skills to support adaptive
learning environment – A reinforcement approach. Ain
Shams Engineering Journal, 9, 895-907.
https://doi.org/10.1016/j.asej.2016.04.012
Battou, A. (2017). Designing an Adaptive Learning System Based
on a Balanced Combination of Agile Learner Design and
Learner Centered Approach. American Scientific Research
Journal for Engineering, Technology, and Sciences
(ASRJETS) 37(1), 178-186.
https://www.asrjetsjournal.org/index.php/American_Scie
ntific_Journal/article/view/3519/1292
Brateanu, A. Strang, T., Garber, A., Mani, S., Spencer, A., Spevak,
B., Thomascik, J., Mehta, N., & Colbert, C. (2019). Using
an Adaptive, Self-Directed Web-Based Learning Module
to Enhance Residents’ Medical Knowledge Prior to a New
Clinical Rotation. Medical Science Educator, 29,779–786.
https://doi.org/10.1007/s40670-019-00772-8
Chávez, A. (2019). Uso de la tecnología en el aprendizaje
adaptativo: propuesta para favorecer la resolución de
problemas matemáticos en primaria. Educando para
educar. 20(37) 71-89.
https://beceneslp.edu.mx/ojs2/index.php/epe/article/view/
50
Duque-Méndez, N., Ovalle-Cerranza, D. & Carrillo-Ramos, A.
(2020). Sistema basado en reglas para la generación
personalizada de curso virtual. TecnoLógicas. 23(47),
229-242. DOI: https://doi.org/10.22430/22565337.1494
El Asame, M., Wakrim, M., & Battou, A. (2018). An Improved
Competency Meta-model for Adaptive Learning Systems.
En M. Ben Ahmed and A. A. Boudhir (Eds.). Springer
International Publishing AG. 37, 411–419.
https://doi.org/10.1007/978-3-319-74500-8_38
Fernández, L., Ramírez, J. & Blanco, A. (2017). Uso de la
Adaptabilidad en el aprendizaje de la Expresión Gráfica.
IV Congreso Internacional sobre Aprendizaje, Innovación
y Competitividad (CINAIC 2017). 515-519.
http://doi.org/10.26754/CINAIC.2017.000001_108
Firdausiah, A., Yusofa, N., & Hoirul, A. (2019). Personalized
Learning Model based on Deep Learning Algorithm for
Student Behaviour Analytic. Procedia Computer Science,
163, 125–133. http://doi.org/10.1016/j.procs.2019.12.094
Gómez, M., Galeano, C., & Jaramillo, D. (2015). El estado del
arte: una metodología de investigación. Revista
Colombiana de Ciencias Sociales, 6(2), 423-442.
https://www.redalyc.org/pdf/4978/497856275012.pdf
Gonçalves, H., & García, F. (2012). Adaptive Hypermedia
Knowledge Management eLearning System (AHKME) –
Management and Adaptation of Learning Objects and
Learning Design in a Web-Based Information System
Towards the Third Generation of Web [Tesis de
Doctorado, Universidad de Salamanca]. Repositorio de
GRIAL. https://repositorio.grial.eu/handle/grial/186
González, J. L. (2020). Técnicas e instrumentos de investigación
científica. CONCYTEC.
http://repositorio.concytec.gob.pe/handle/20.500.12390/2
238
González, M., Benchoff, D., Huapaya, C., & Remon, C. (2017).
Aprendizaje Adaptativo: Un Caso de Evaluación
Personalizada. Revista Iberoamericana de Tecnología en
Educación y Educación en Tecnología. 65-72.
https://dialnet.unirioja.es/servlet/articulo?codigo=606813
6
González, M., Becerra, J., & Olmos, J. (2018). Promoción de la
autogestión a través de objetos de aprendizaje adaptativos
en alumnos de educación superior. Edutec. Revista
Electrónica De Tecnología Educativa, (63), 15-28.
https://doi.org/10.21556/edutec.2018.63.1037
Guevara, C., & Aguilar, J. (2019). Caracterización Semántica de
Objetos de Aprendizaje Adaptativos mediante una
Ontología de Tareas. Revista Ciencia e Ingeniería. 40 (2),
195-208.
https://www.redalyc.org/journal/5075/507567825010/htm
l/
Guevara, C., & Aguilar, J. (2019). Modelo Ontológico del
Estándar LOM Extendido para la Gestión de Objetos de
Aprendizaje Adaptativos En Avances y retos de la ciencia
e ingeniería.
https://www.researchgate.net/publication/336019607.
Hassan, M., Habiba, U., Majeed, F., & Shoaib, M. (2019).
Adaptive gamification in e-learning based on students’
learning styles. Interactive Learning Environments.29(4),
545-565. https://doi.org/10.1080/10494820.2019.1588745
Hernández-Sampieri, R., & Mendoza, C. (2018). Metodología de
la investigación. Las rutas cuantitativa, cualitativa y
mixta. Editorial Mc Graw Hill Education, ISBN: 978-1-
4562-6096.
Quintanar Casillas, R. & Hernández López, Ma.S. (2022). Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación: Revisión Sistemática de la Literatura.
Revista Tecnológica-Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308
Modelos Tecnológicos de Aprendizaje Adaptativo
Aplicados a la Educación.
57
57
Hünicken, L., González, A., Haag, M., & Ruppel, D. (2020).
Gamificación y aprendizaje adaptativo en la universidad.
En M. R. De Gusti. (Ed.). Actas I Congreso Internacional
de Ingeniería Aplicada a la Innovación y Educación y
Asamblea General de ISTEC 2019. Repositorio
institucional de la UNLP.
Jiménez, I., Fernández, O. E., & Almenárez, F. T. (2020). Diseño
pedagógico adaptativo para el desarrollo de MOOC: una
estrategia para el desarrollo de competencias en contextos
corporativos. Revista Electrónica de Investigación
Educativa, 22 (16), 1- 18.
https://doi.org/10.24320/redie.2020.22.e16.2192
Kellman, P., & Krasne, S. (2018). Accelerating expertise:
Perceptual and adaptive learning technology in medical
learning. Medical Teacher. 40 (8), 797-802.
https://doi.org/10.1080/0142159X.2018.1484897
Koch, H., De Azevedo, A., Sebastiany, M., & Cortina, A. (2020).
Artificial intelligence adaptive learning tools: the teaching
of English in focus. Brazilian English Language Teaching
Journal. 11(2). 1-19. http://dx.doi.org/10.15448/2178-
3640.2020.2.38749
Koshova, S. (2020). Specifics of adaptive learning in the field of
public governance. Public Administration Aspects, 8(4),
107-117. https://doi.org/10.15421/152085
Krechetov, I., & Romanenko, V. (2020). Implementing the
Adaptive Learning Techniques. Voprosy obrazovaniya /
Educational Studies Moscow, 2. 252–277.
https://vo.hse.ru/data/2020/06/17/1607977770/Krechetov.
pdf
Kuniyoshi, K., & Kurahashi, S. (2020). Simulation of learning
effects of adaptive learning. Procedia Computer Science,
176, 2164-2172.
https://doi.org/10.1016/j.procs.2020.09.253
Leris, D., Vea, F., & Velamazán, A. (2015). Aprendizaje
adaptativo en Moodle: tres casos prácticos. EKS. 16(4)
138-157.
http://dx.doi.org/10.1109/FINTDI.2011.5945972
Lopera, J., Ramírez, C., Zuluaga, M., & Ortiz, J. (2010). El método
analítico como método natural. Nómadas. Revista Crítica
de Ciencias Sociales y Jurídicas. 25 (1).
https://revistas.ucm.es/index.php/NOMA/article/view/NO
MA1010140327A/25986
Liu, M., McKelroy, E., Corliss, S., & Carrigan, J. (2017).
Investigating the effect of an adaptive learning
intervention on students’ learning. Education Tech
Research Dev. 65, 1605–1625.
http://doi.org/10.1007/s11423-017-9542-1
Lwande, C., Muchemi, L., & Oboko, R. (2021). Identifying
learning styles and cognitive traits in a learning
management system. Heliyon. 7.
https://doi.org/10.1016/j.heliyon.2021.e07701
May, H. (2016). Integrating learning styles and adaptive e-learning
system: Current developments, problems and
opportunities. Computers in Human Behavior. 55. 1185-
1193. http://dx.doi.org/10.1016/j.chb.2015.02.014
Mira-Giménez, M. (2017). COMALAT: Aprendizaje de idiomas
adaptativo y móvil. Cultura y Educación. 29 (4), 863–870.
https://doi.org/10.1080/11356405.2017.1370820
Otero, A., Rivera, W., Pedraza, C., & Canay, J. (2019). TIC para
la educación: sistema adaptativo basado en mecanismos de
aprendizaje automático para la apropiación de tecnologías
en estudiantes de educación media. Telos, 21(3), 526-543.
https://www.redalyc.org/articulo.oa?id=99360575003
Otzen, T., & Manterola, C. (2017). Técnicas de muestreo sobre
una población a estudio. Int. J. Morphol., 35(1), 227-232.
http://www.intjmorphol.com/wp-
content/uploads/2017/04/art_37_351.pdf
Page, M., McKenziea, J., Bossuyt, P., Boutron, I., Hoffmann, T.,
Mulrow, C., Shamseer, L., Tetzlaff, J., Akl, E., Brennan,
S., Chou, R., Glanville, J., Grimshaw, J., Hróbjartsson, A.,
Lalu, M., Li, T., Lodero, E., Mayo-Wilson, E., McDonald,
S., …, & Moherv. D. (2021). Declaración PRISMA 2020:
una guía actualizada para la publicación de revisiones
sistemáticas. Rev Esp Cardiol. 74 (2), 790-799.
https://www.revespcardiol.org/es-declaracion-prisma-
2020-una-guia-articulo-S0300893221002748
Peña, N., González, C., & Mendoza, M. (2015). Diagnóstico de
estilos de aprendizaje para favorecer la personalización de
materiales educativos mediante redes bayesianas:
servicios web para Moodle. Revista Virtual Universidad
Católica del Norte, 46, 4-20.
http://www.redalyc.org/articulo.oa?id=194242285002
Qodad, A., Seghroucheni, Y., Al Achhab, M., El Yadari, M., El
Kenz, A., & Benyoussef, A. (2016). An Adaptive Learning
System based on a Job Model, the Differentiated
Instruction and Felder and Silverman’s Learning Styles
Model. 4th IEEE International Colloquium on Information
Science and Technology. IEEE.
https://doi.org/10.1109/CIST.2016.7805100
Ramos, C. (2015). Los paradigmas de la Investigación Científica.
Av. psicol. 23(1), 9-17
http://www.unife.edu.pe/publicaciones/revistas/psicologi
a/2015_1/Carlos_Ramos.pdf
Rasheed, F., & Wahid, A. (2021). Learning style detection in E-
learning systems using machine learning techniques.
Expert Systems With Applications. 174.
https://doi.org/10.1016/j.eswa.2021.114774
Real-Fernández, A., Molina-Carmona, R., & Llorens-Largo, F.
(2017). Aprendizaje adaptativo basado en competencias y
actividades. IV Congreso Internacional sobre
Aprendizaje, Innovación y Competitividad. Universidad de
Zaragoza.
https://doi.org/10.26754/CINAIC.2017.000001_017
Renn, B., Arean, P., Raue, P., Aisenberg, E., Friedman1, E., &
Popovic, Z. (2020). Modernizing Training in
Psychotherapy Competencies With Adaptive Learning
Systems: Proof of Concept. Research on Social Work
Practice. https://doi.org/10.1177%2F1049731520964854
Ríos-Rodríguez, L., Román-Cao, E., & Pérez-Medinilla, Y.
(2021). La dirección del trabajo independiente mediante el
ambiente de enseñanza-aprendizaje adaptativo APA-
Prolog. Revista Electrónica Educare. 25(1), 1-22.
http://doi.org/10.15359/ree.25-1.11
Roque-Alayón, Y., Sánchez-Díaz, A., & López-Padrón, A. (2015).
Entorno de Aprendizaje Personalizado (PLE) para la
asignatura de Investigación de Operaciones en Ingeniería
Agrícola. Revista Ciencias Técnicas Agropecuarias,
25(1). https://www.redalyc.org/journal/932/93242698010
Quintanar Casillas, R. & Hernández López, Ma.S. (2022). Modelos Tecnológicos de Aprendizaje Adaptativo Aplicados a la Educación: Revisión Sistemática de la Literatura.
Revista Tecnológica-Educativa Docentes 2.0, 15(1), 41-58. https://doi.org/10.37843/rted.v15i1.308
Modelos Tecnológicos de Aprendizaje Adaptativo
Aplicados a la Educación.
58
58
Rothman, D. (2018). Artificial Intelligence by example. Packt
Publishing.
Sabita, R. (2021). Everything you need to know about Machine
Learning. Analytics Vidhya.
https://www.analyticsvidhya.com/blog/2021/03/everythin
g-you-need-to-know-about-machine-learning/
Salazar-Ospina, O., Rodríguez-Marín, P., Ovalle-Carranza, D., &
Duque-Méndez, N. (2017). Interfaces adaptativas
personalizadas para brindar recomendaciones en
repositorios de objetos de aprendizaje. Tecnura, 21 (53),
107-118.
https://doi.org/10.14483/udistrital.jour.tecnura.2017.3.a0
7
Serrao-Neumann, S., Cox. M., & Low, D. (2018). Bridging
Adaptive Learning and Desired Natural Resource
Management Outcomes: Insights from Australian
Planners. Planning Practice & Research. 34(2), 149–167.
https://doi.org/10.1080/02697459.2018.1549188
Sfenrianto, S., Hartarto, Y., & Akbar. H. (2018). An Adaptive
Learning System based on Knowledge Level for English
Learning. iJET. 13(12).
https://doi.org/10.3991/ijet.v13i12.8004
Shawky, D., & Badawi, A. (2018). A Reinforcement Learning-
Based Adaptive Learning System. En A. E. Hassanien et
al. (Eds.): International Conference on Advanced Machine
Learning Technologies and Applications. Springer.
https://doi.org/10.1007/978-3-319-74690-6_22
Sheeba, T., & Krishnan. R. (2019). Automatic Detection of
Students Learning Style in Learning Management System.
Springer. 45-53. https://doi.org/10.1007/978-3-030-
01659-3_7
Sokol, V., Bronin, S., Karnaukh, V., & Bilov, M. (2020).
Developing Adaptive Learning Management Application
for Project Team in IT-Industry. Bulletin of National
Technical University "KHPI". Series: System Analysis,
Control and Information Technologies. 1(3), 97-105.
https://doi.org/10.20998/2079-0023.2020.01.17
Tabares-Morales, V., Duque-Méndez, N., & Fabregat-Gesa, R.
(2020). Raim: framework para la inclusión adaptativa en
entornos educativos para todos. TecnoLógicas. 23(47),
179-196. https://doi.org/10.22430/22565337.1495
Troussasa, C., Krouskaa, A., & Sgouropouloub, C. (2020).
Collaboration and fuzzy-modeled personalization for
mobile game-based learning in higher education.
Computers & Education. 144.
https://doi.org/10.1016/j.compedu.2019.103698
Velandia, J. (2015). Mejoras en habilidades cognitivas con el
apoyo de un recurso educativo digital adaptativa. [Tesis
de Maestría, Universidad de la Sabana]. Repositorio de la
Universidad de Salamanca.
https://intellectum.unisabana.edu.co/handle/10818/22992
Véliz, A., Madrigal, O., & Correa, V. (2021). Aprendizaje
adaptativo basado en Simuladores de Realidad Virtual.
Revista Cubana de Ciencias Informáticas, 15(2) 138-157.
https://www.redalyc.org/articulo.oa?id=378367420008
Wang, S., Christensen, C., & Cui, W. (2020). When adaptive
learning is effective learning: comparison of an adaptive
learning system to teacher-led instruction. Interactive
Learning Environments. 1–11,
https://doi.org/10.1080/10494820.2020.1808794
Xie, H., Chu, H., Hwang, G., & Wang, Ch. (2019). Trends and
development in technology-enhanced adaptive/
personalized learning: A systematic review of journal
publications from 2007 to 2017. Computers and
Education. 140.
https://doi.org/10.1016/j.compedu.2019.103599
Yaplea, Z., & Yu, R. (2019). Fractionating adaptive learning: A
meta-analysis of the reversal learning paradigm.
Neuroscience and Biobehavioral Reviews, 102. 85-94.
https://doi.org/10.1016/j.neubiorev.2019.04.006
Yu, J., Wang, Y., Zhong, Q., Luo, G., Mao, Y., Sun, K., Feng, W.,
Xu, W., Cao, S., Zeng, K., Yao, Z., Hou, L., Lin, Y., Li,
P., Zhou, J., Xu., B., Li, J., Tang, J., & Sun., M. (2021).
MOOCCubeX: A Large Knowledge-centered Repository
for Adaptive Learning in MOOCs. CIKM ’21 4643-4652.
https://dl.acm.org/doi/pdf/10.1145/3459637.3482010
Zhai, X., Chu. X., Sing, C., Yung, M., Istenic, A., Spector, M., Liu,
J., Yuan, J., & Li, Y. (2021). A Review of Artificial
Intelligence (AI) in Education from 2010 to 2020.
Complexity. https://doi.org/10.1155/2021/8812542
Zhikharev, A., Deeney, A., Igrunova, S., Klyuchnikov. D., &
Frolova, A. (2021). To the development of intelligent
adaptive learning systems. Journal of Physics: Conference
Series 2060. http://doi.org/10.1088/1742-
6596/2060/1/012012
Zulfiani, Z., Suwarna, I., & Miranto. S. (2018). Science education
adaptive learning system as a computer-based science
learning with learning style variations. Journal of Baltic
Science Education. 17(4), 711-727.
http://www.scientiasocialis.lt/jbse/?q=node/695
