Vol. 12/ Núm. 2 2025 pág. 1297
https://doi.org/10.69639/arandu.v12i2.992
Implementación de Modelos Matemáticos Adaptativos
Basados en Inteligencia Artificial para la Personalización del
Aprendizaje en Educación
Implementation of Adaptive Mathematical Models Based on Artificial Intelligence for
Learning Personalization in Education
José Luis Cosquillo Chida
joselcosquilloch@uta.edu.ec
https://orcid.org/0009-0001-5039-9086
Universidad Técnica de Ambato
Ambato – Ecuador
Luisa Narcisa Morocho Cabrera
luisan.morocho@educacion.gob.ec
https://orcid.org/0009-0001-9594-0892
Ministerio de Educación del Ecuador
Quito – Ecuador
Daniela Fernanda Estévez Argüello
daniela.estevez@educacion.gob.ec
https://orcid.org/0009-0007-9984-384X
Ministerio de Educación del Ecuador
Quito – Ecuador
William Armando Pesantez Lozano
william.pesantez@educacion.gob.ec
https://orcid.org/0009-0008-1684-3770
Ministerio de Educación del Ecuador
Quito – Ecuador
Pablo Augusto Quijijije Mejia
pablo.quijije@educacion.gob.ec
https://orcid.org/0000-0001-9384-1455
Ministerio de Educación del Ecuador
Quito – Ecuador
Artículo recibido: 10 marzo 2025 - Aceptado para publicación: 20 abril 2025
Conflictos de intereses: Ninguno que declarar
RESUMEN
La finalidad de este estudio, denominado Implementación de Modelos Matemáticos Adaptativos
Basados en Inteligencia Artificial para la Personalización del Aprendizaje en Educación, es
examinar el efecto de los modelos matemáticos adaptativos, basados en inteligencia artificial (IA),
en la personalización del aprendizaje en entornos educativos. Se plantea que las metodologías
personalizadas respaldadas por algoritmos de IA pueden mejorar tanto el rendimiento académico
como la motivación intrínseca de los estudiantes, favoreciendo trayectorias de aprendizaje más
eficaces y centradas en el individuo. Se utilizó un enfoque metodológico mixto con un diseño
cuasiexperimental, que incluyó análisis cuantitativos y cualitativos. La muestra estuvo compuesta
por 180 estudiantes de nivel básico, distribuidos equitativamente entre un grupo experimental y
un grupo de control. El grupo experimental utilizó una plataforma pedagógica basada en modelos
adaptativos de IA durante 12 semanas. Se realizaron evaluaciones estandarizadas antes y después
Vol. 12/ Núm. 2 2025 pág. 1298
de la intervención, además de encuestas de percepción y entrevistas semiestructuradas para captar
la experiencia de los estudiantes. Los resultados mostraron una mejora estadísticamente
significativa en el desempeño académico del grupo experimental frente al grupo de control (P&R;
0.01), especialmente en la resolución de problemas y la comprensión conceptual. Se observaron
avances notables en el aprendizaje, el compromiso emocional y la autorregulación de los
estudiantes. Los modelos adaptativos permitieron ajustar el contenido, la dificultad y la
retroalimentación de forma inmediata, lo que facilitó una instrucción diferenciada y precisa. Estos
resultados sugieren que la inclusión de la inteligencia artificial y la educación matemática tiene
el potencial de transformar los sistemas educativos modernos, particularmente en el contexto de
la integración, la justicia y la capacitación basada en la evidencia.
Palabras clave: innovación didáctica, ciencias experimentales, aprendizaje activo,
competencias científicas, educación universitaria
ABSTRACT
The aim of this study, titled "Implementation of Adaptive Mathematical Models Based on
Artificial Intelligence for Learning Personalization in Education", is to examine the effect of
adaptive mathematical models, based on artificial intelligence (AI), on learning personalization
in educational environments. It is postulated that personalized methodologies, supported by AI
algorithms, can enhance both academic performance and students' intrinsic motivation, fostering
more effective and individualized learning pathways.. A mixed-methods approach was used with
a quasi-experimental design, which included both quantitative and qualitative analyses. The
sample consisted of 180 basic-level students, evenly distributed between an experimental group
and a control group. The experimental group used a pedagogical platform based on AI adaptive
models for 12 weeks. Standardized assessments were conducted before and after the intervention,
along with perception surveys and semi-structured interviews to capture the students' experiences.
The results showed a statistically significant improvement in the academic performance of the
experimental group compared to the control group (P&R; 0.01), particularly in problem-solving
and conceptual understanding. Notable progress was observed in learning, emotional
engagement, and self-regulation of the students. The adaptive models allowed for immediate
adjustments to content, difficulty, and feedback, facilitating differentiated and precise instruction.
These results suggest that the inclusion of artificial intelligence and mathematical education has
the potential to transform modern educational systems, particularly in the context of integration,
justice, and evidence-based training.
Keywords: didactic innovation, experimental sciences, active learning, scientific skills,
university education
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
de la intervención, además de encuestas de percepción y entrevistas semiestructuradas para captar
la experiencia de los estudiantes. Los resultados mostraron una mejora estadísticamente
significativa en el desempeño académico del grupo experimental frente al grupo de control (P&R;
0.01), especialmente en la resolución de problemas y la comprensión conceptual. Se observaron
avances notables en el aprendizaje, el compromiso emocional y la autorregulación de los
estudiantes. Los modelos adaptativos permitieron ajustar el contenido, la dificultad y la
retroalimentación de forma inmediata, lo que facilitó una instrucción diferenciada y precisa. Estos
resultados sugieren que la inclusión de la inteligencia artificial y la educación matemática tiene
el potencial de transformar los sistemas educativos modernos, particularmente en el contexto de
la integración, la justicia y la capacitación basada en la evidencia.
Palabras clave: innovación didáctica, ciencias experimentales, aprendizaje activo,
competencias científicas, educación universitaria
ABSTRACT
The aim of this study, titled "Implementation of Adaptive Mathematical Models Based on
Artificial Intelligence for Learning Personalization in Education", is to examine the effect of
adaptive mathematical models, based on artificial intelligence (AI), on learning personalization
in educational environments. It is postulated that personalized methodologies, supported by AI
algorithms, can enhance both academic performance and students' intrinsic motivation, fostering
more effective and individualized learning pathways.. A mixed-methods approach was used with
a quasi-experimental design, which included both quantitative and qualitative analyses. The
sample consisted of 180 basic-level students, evenly distributed between an experimental group
and a control group. The experimental group used a pedagogical platform based on AI adaptive
models for 12 weeks. Standardized assessments were conducted before and after the intervention,
along with perception surveys and semi-structured interviews to capture the students' experiences.
The results showed a statistically significant improvement in the academic performance of the
experimental group compared to the control group (P&R; 0.01), particularly in problem-solving
and conceptual understanding. Notable progress was observed in learning, emotional
engagement, and self-regulation of the students. The adaptive models allowed for immediate
adjustments to content, difficulty, and feedback, facilitating differentiated and precise instruction.
These results suggest that the inclusion of artificial intelligence and mathematical education has
the potential to transform modern educational systems, particularly in the context of integration,
justice, and evidence-based training.
Keywords: didactic innovation, experimental sciences, active learning, scientific skills,
university education
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 12/ Núm. 2 2025 pág. 1299
INTRODUCCIÓN
Contextualización del tópico en cuestión
El desafío para la pedagogía contemporánea es encontrar formas de abordar la
heterogeneidad cognitiva y emocional de los estudiantes utilizando marcos de enseñanza más
flexibles y personalizados. La incorporación de inteligencia artificial (IA) en entornos educativos
ha transformado el enfoque de análisis, modificación y optimización del proceso de aprendizaje
(Luckin et al., 2022). Los modelos matemáticos adaptativos que utilizan algoritmos de
inteligencia artificial ayudan en la identificación de patrones de comportamiento, pronóstico de
problemas y entrega de contenido personalizado en tiempo real (Chen et al., 2023). Esto es
evidente en el creciente número de sistemas inteligentes que permiten la personalización de
trayectorias educativas y apoyan el aprendizaje individualizado para cada estudiante (Holstein et
al., 2022; Alimisis, 2023).
Antecedentes y Revisión de Trabajos Relacionados
La matematización contemporánea optimiza la retención y transmisión de conocimientos
en cualquier sistema adaptativo (Dede, 2021; Perifanou, 2023). Por ejemplo, los algoritmos de
aprendizaje supervisado lograron avances en la comprensión lectora y la resolución de problemas
matemáticos, tal como evidencian Xie et al. (2023). También la amalgama de inteligencia
artificial y didáctica ha demostrado fomentar el aprendizaje autónomo y autodirigido por parte
del estudiante (Baker et al., 2022). Romero et al. (2023) realizaron el estudio sobre la aplicación
de las redes neuronales artificiales al ámbito educativo, donde se concluye que estas tecnologías
permiten realizar proyecciones exactas sobre el rendimiento académico de los alumnos. Otras
como la investigación de Zhang y Ren (2022) se han enfocado en la importante concepción de
los algoritmos aditivos en la sobrecarga cognitiva de estudiantes de educación primaria y
secundaria.
Sabido es que el uso de tecnologías modernas en los niveles más básicos de formación ha
sido integrado y ha mejorado los métodos de enseñanza existentes, permitiendo la creación de un
sistema de educación más flexible y adaptado a las necesidades del estudiante. En este sentido, la
adopción de sistemas inteligentes adaptativos en matemáticas ha sido considerada como una
alternativa efectiva para mejorar el aprendizaje y el desarrollo de habilidades lógicas y de
resolución de problemas.
Inclusive patina la categoría estam habla de STEM de sustentabilidad que enlaza varias
disciplinas para destacar el papel de IA como un dispositivo de ayuda para el aprendizaje
personalizado (Bernal Párraga 2024). También se ha demostrado que las estrategias de
colaboración en entornos adaptativos mejoran las habilidades cognitivas de los estudiantes y en
unuro construyen el aprendizaje del razonamiento matemático en contextos significativos y de la
vida diaria (Bernal Párraga 2024).
INTRODUCCIÓN
Contextualización del tópico en cuestión
El desafío para la pedagogía contemporánea es encontrar formas de abordar la
heterogeneidad cognitiva y emocional de los estudiantes utilizando marcos de enseñanza más
flexibles y personalizados. La incorporación de inteligencia artificial (IA) en entornos educativos
ha transformado el enfoque de análisis, modificación y optimización del proceso de aprendizaje
(Luckin et al., 2022). Los modelos matemáticos adaptativos que utilizan algoritmos de
inteligencia artificial ayudan en la identificación de patrones de comportamiento, pronóstico de
problemas y entrega de contenido personalizado en tiempo real (Chen et al., 2023). Esto es
evidente en el creciente número de sistemas inteligentes que permiten la personalización de
trayectorias educativas y apoyan el aprendizaje individualizado para cada estudiante (Holstein et
al., 2022; Alimisis, 2023).
Antecedentes y Revisión de Trabajos Relacionados
La matematización contemporánea optimiza la retención y transmisión de conocimientos
en cualquier sistema adaptativo (Dede, 2021; Perifanou, 2023). Por ejemplo, los algoritmos de
aprendizaje supervisado lograron avances en la comprensión lectora y la resolución de problemas
matemáticos, tal como evidencian Xie et al. (2023). También la amalgama de inteligencia
artificial y didáctica ha demostrado fomentar el aprendizaje autónomo y autodirigido por parte
del estudiante (Baker et al., 2022). Romero et al. (2023) realizaron el estudio sobre la aplicación
de las redes neuronales artificiales al ámbito educativo, donde se concluye que estas tecnologías
permiten realizar proyecciones exactas sobre el rendimiento académico de los alumnos. Otras
como la investigación de Zhang y Ren (2022) se han enfocado en la importante concepción de
los algoritmos aditivos en la sobrecarga cognitiva de estudiantes de educación primaria y
secundaria.
Sabido es que el uso de tecnologías modernas en los niveles más básicos de formación ha
sido integrado y ha mejorado los métodos de enseñanza existentes, permitiendo la creación de un
sistema de educación más flexible y adaptado a las necesidades del estudiante. En este sentido, la
adopción de sistemas inteligentes adaptativos en matemáticas ha sido considerada como una
alternativa efectiva para mejorar el aprendizaje y el desarrollo de habilidades lógicas y de
resolución de problemas.
Inclusive patina la categoría estam habla de STEM de sustentabilidad que enlaza varias
disciplinas para destacar el papel de IA como un dispositivo de ayuda para el aprendizaje
personalizado (Bernal Párraga 2024). También se ha demostrado que las estrategias de
colaboración en entornos adaptativos mejoran las habilidades cognitivas de los estudiantes y en
unuro construyen el aprendizaje del razonamiento matemático en contextos significativos y de la
vida diaria (Bernal Párraga 2024).
Vol. 12/ Núm. 2 2025 pág. 1300
Además de las estrategias anteriormente nombradas, varios autores han mostrado el uso de
métodos activos, como en el caso del modelo de aula invertida, que lleva a resultados positivos
en el desarrollo de la autonomía del estudiante y los resultados académicos, porque propicia un
nuevo clima más flexible y centrado en las necesidades individuales que pueden ser logradas con
la ayuda de algoritmos adaptativos (Montenegro Munoz, 2024). Estos resultados refuerzan la
relevancia de la efectividad de los modelos matemáticos adaptativos que la IA apoya como un
mecanismo para adecuar las lecciones y experiencias educativas en el nivel de educación básica.
Planteamiento del Problema
A pesar de los avances, queda una brecha significativa entre la accesibilidad de las
tecnologías inteligentes y su efectiva integración pedagógica dentro de marcos de vida real,
particularmente en lo que respecta a los sistemas de educación preescolar. Es necesario analizar
el impacto de los modelos matemáticos adaptativos respecto al afrontamiento de la
personalización del aprendiz con factores étnicos y socio-culturales diversos en los diferentes
niveles de las disciplinas (Sun et al., 2022; Yilmaz, 2023).
Justificación del Estudio
Este estudio se fundamenta en el paradigma del aprendizaje adaptativo, donde los sistemas
automatizados son responsivos a las acciones del aprendiz en tiempo real (Brusilovsky & Millán,
2023). Además, los principios integradores de la neurociencia educativa se centran en la
cultivación de entornos de aprendizaje positivos, enfoques personalizados y multisunido están
diseñados para fomentar habilidades y la consolidación de la memoria (Howard-Jones 2014). La
investigación se basa en aprendizaje profundo supervisado (Goodfellow 2023) y enfoques
bayesianos que son técnicas conocidas de personalización de rutas de aprendizaje (Murphy,
2022).
Propósito y objetivos
Este estudio particular tiene como objetivo investigar los efectos de algoritmos adaptativos
basados en inteligencia artificial ajustados al ritmo de aprendizaje del estudiante en la educación
básica. Los objetivos específicos incluyen:
2. Evaluar la efectividad de los modelos adaptativos en la optimización del rendimiento
académico.
1. Analizar el grado de automatización, personalización e individualización alcanzados a través
de algoritmos inteligentes.
2. Identificar factores cognitivos y emocionales en las respuestas de los estudiantes a sistemas de
aprendizaje personalizados que impactan su experiencia de aprendizaje en sistemas reactivos.
3. Se propone desarrollar directrices metodológicas para diseñar materiales educativos que
incorporen modelos adaptativos para contextos educativos específicos.
Además de las estrategias anteriormente nombradas, varios autores han mostrado el uso de
métodos activos, como en el caso del modelo de aula invertida, que lleva a resultados positivos
en el desarrollo de la autonomía del estudiante y los resultados académicos, porque propicia un
nuevo clima más flexible y centrado en las necesidades individuales que pueden ser logradas con
la ayuda de algoritmos adaptativos (Montenegro Munoz, 2024). Estos resultados refuerzan la
relevancia de la efectividad de los modelos matemáticos adaptativos que la IA apoya como un
mecanismo para adecuar las lecciones y experiencias educativas en el nivel de educación básica.
Planteamiento del Problema
A pesar de los avances, queda una brecha significativa entre la accesibilidad de las
tecnologías inteligentes y su efectiva integración pedagógica dentro de marcos de vida real,
particularmente en lo que respecta a los sistemas de educación preescolar. Es necesario analizar
el impacto de los modelos matemáticos adaptativos respecto al afrontamiento de la
personalización del aprendiz con factores étnicos y socio-culturales diversos en los diferentes
niveles de las disciplinas (Sun et al., 2022; Yilmaz, 2023).
Justificación del Estudio
Este estudio se fundamenta en el paradigma del aprendizaje adaptativo, donde los sistemas
automatizados son responsivos a las acciones del aprendiz en tiempo real (Brusilovsky & Millán,
2023). Además, los principios integradores de la neurociencia educativa se centran en la
cultivación de entornos de aprendizaje positivos, enfoques personalizados y multisunido están
diseñados para fomentar habilidades y la consolidación de la memoria (Howard-Jones 2014). La
investigación se basa en aprendizaje profundo supervisado (Goodfellow 2023) y enfoques
bayesianos que son técnicas conocidas de personalización de rutas de aprendizaje (Murphy,
2022).
Propósito y objetivos
Este estudio particular tiene como objetivo investigar los efectos de algoritmos adaptativos
basados en inteligencia artificial ajustados al ritmo de aprendizaje del estudiante en la educación
básica. Los objetivos específicos incluyen:
2. Evaluar la efectividad de los modelos adaptativos en la optimización del rendimiento
académico.
1. Analizar el grado de automatización, personalización e individualización alcanzados a través
de algoritmos inteligentes.
2. Identificar factores cognitivos y emocionales en las respuestas de los estudiantes a sistemas de
aprendizaje personalizados que impactan su experiencia de aprendizaje en sistemas reactivos.
3. Se propone desarrollar directrices metodológicas para diseñar materiales educativos que
incorporen modelos adaptativos para contextos educativos específicos.
Vol. 12/ Núm. 2 2025 pág. 1301
METODOLOGÍA
Metodología de investigación y diseño del estudio
En este estudio, el enfoque adoptado fue de métodos mixtos integrando tanto estrategias
cuantitativas como cualitativas para examinar los impactos de la implementación de modelos
computacionales impulsados por Inteligencia Artificial (IA) adaptativa en la personalización del
aprendizaje en la educación primaria de la manera más exhaustiva posible. La efectividad de la
intervención se evaluó utilizando un diseño cuasi-experimental con un grupo de control y un
grupo experimental. Este diseño fue adoptado porque intenta abordar por qué después de una
cantidad sustancial de trabajo previo se ha hecho para articular el cómo y existe un contexto
educativo donde la asignación aleatoria no es factible.
Selección y caracterización de la muestra
La población objetivo comprendía alumnos de primaria de una escuela pública urbana. Se
utilizó la técnica de muestreo intencionado para seleccionar un total de 100 estudiantes, de los
cuales 50 fueron para el grupo experimental y los otros 50 para el grupo de control. Los criterios
de inclusión incluyeron tener acceso sin restricciones a los dispositivos tecnológicos requeridos
y no tener necesidades educativas especiales que limitaran la utilización de plataformas digitales.
Estos criterios de tamaño de muestra fueron justificables en relación a la detección de efectos
significativos y un poder estadístico adecuado.
Nuevas tecnologías utilizadas en la investigación
El sistema educativo ha sido dotado de la plataforma de aprendizaje "Squirrel AI", que
incorpora inteligencia artificial para construir y personalizar contenido educativo para cada
aprendiz. Este sistema es capaz de modificar las vías de aprendizaje de manera totalmente
automatizada y adaptativa, proporcionando una experiencia educativa optimizada a nivel
individual para cada estudiante.
Proceso
La intervención se llevó a cabo durante un período de 12 semanas consecutivas. En el grupo
experimental, los estudiantes trabajaron como una clase completa y su acceso a la plataforma
"Squirrel AI" se limitó a 60 minutos por semana durante el tiempo de clase. El grupo de control
continuó con el método tradicional de enseñanza. Se proporcionó formación a los maestros con
anticipación para ayudar a los instructores en la utilización de la plataforma, de manera que
hubiera una adecuada integración durante la implementación real.
Estrategias y herramientas para la recolección de datos
Las mediciones cuantitativas se realizaron utilizando los resultados de pruebas
estandarizadas APER en matemáticas y comprensión de lectura antes y después de la
intervención. La confiabilidad y validez de las pruebas se ha establecido en investigaciones
previas realizadas en contextos educativos similares. Los datos cualitativos se obtuvieron a través
METODOLOGÍA
Metodología de investigación y diseño del estudio
En este estudio, el enfoque adoptado fue de métodos mixtos integrando tanto estrategias
cuantitativas como cualitativas para examinar los impactos de la implementación de modelos
computacionales impulsados por Inteligencia Artificial (IA) adaptativa en la personalización del
aprendizaje en la educación primaria de la manera más exhaustiva posible. La efectividad de la
intervención se evaluó utilizando un diseño cuasi-experimental con un grupo de control y un
grupo experimental. Este diseño fue adoptado porque intenta abordar por qué después de una
cantidad sustancial de trabajo previo se ha hecho para articular el cómo y existe un contexto
educativo donde la asignación aleatoria no es factible.
Selección y caracterización de la muestra
La población objetivo comprendía alumnos de primaria de una escuela pública urbana. Se
utilizó la técnica de muestreo intencionado para seleccionar un total de 100 estudiantes, de los
cuales 50 fueron para el grupo experimental y los otros 50 para el grupo de control. Los criterios
de inclusión incluyeron tener acceso sin restricciones a los dispositivos tecnológicos requeridos
y no tener necesidades educativas especiales que limitaran la utilización de plataformas digitales.
Estos criterios de tamaño de muestra fueron justificables en relación a la detección de efectos
significativos y un poder estadístico adecuado.
Nuevas tecnologías utilizadas en la investigación
El sistema educativo ha sido dotado de la plataforma de aprendizaje "Squirrel AI", que
incorpora inteligencia artificial para construir y personalizar contenido educativo para cada
aprendiz. Este sistema es capaz de modificar las vías de aprendizaje de manera totalmente
automatizada y adaptativa, proporcionando una experiencia educativa optimizada a nivel
individual para cada estudiante.
Proceso
La intervención se llevó a cabo durante un período de 12 semanas consecutivas. En el grupo
experimental, los estudiantes trabajaron como una clase completa y su acceso a la plataforma
"Squirrel AI" se limitó a 60 minutos por semana durante el tiempo de clase. El grupo de control
continuó con el método tradicional de enseñanza. Se proporcionó formación a los maestros con
anticipación para ayudar a los instructores en la utilización de la plataforma, de manera que
hubiera una adecuada integración durante la implementación real.
Estrategias y herramientas para la recolección de datos
Las mediciones cuantitativas se realizaron utilizando los resultados de pruebas
estandarizadas APER en matemáticas y comprensión de lectura antes y después de la
intervención. La confiabilidad y validez de las pruebas se ha establecido en investigaciones
previas realizadas en contextos educativos similares. Los datos cualitativos se obtuvieron a través
Vol. 12/ Núm. 2 2025 pág. 1302
de entrevistas semiestructuradas con estudiantes y maestros con el fin de capturar e interpretar
sus percepciones sobre la experiencia de aprendizaje personalizado. Estas entrevistas fueron
grabadas, transcritas y posteriormente analizadas.
Métodos para el análisis y tratamiento de datos
Los datos cuantitativos fueron analizados utilizando estadísticas descriptivas e
inferenciales. Se realizaron una serie de pruebas t, tanto para muestras emparejadas como
independientes, para determinar si había diferencias entre los grupos. Las distintas cualidades
obtenidas analizándose mediante la codificación temática que hace posible capturar patrones en
relación con la experiencia de aprendizaje personalizado.
Principios Éticos y Cuestiones en la Conducta de la Investigación
Todos los participantes y sus respectivos tutores legales brindaron autorización informada
cumpliendo de este modo, con los lineamientos éticos expuestos en la Declaración de Helsinki.
Se resguardó el carácter confidencial de la información y el derecho de los participantes a salirse
del estudio en cualquier etapa del mismo sin padecer repercusiones. También se adoptaron
estrategias dirigidas a la minimización de sesgos o daños derivados de la intervención.
Alcance y Limitaciones del Estudio
El estudio, a pesar de sus limitaciones, contribuye, efectivos en el corpus de conocimiento
en relación con el uso de modelos matemáticos morfológicos adaptativos al impulsadón por IA.
La incorporación de obstáculos generales halla la generalizabilidad de los halla- zes, la limitación
al tamaño de la muestra, al contexto particular de la institución en cuestión y a otros factores
externos no controlados como la variabilidad en la instrucción de otros docentes, que, por la
naturaleza de la investigación, no pueden forzarse. Sugerimos que futuras investigaciones
intenten con muestras más potentes y diferentes contextos para validar y expandir estos hallazgos.
RESULTADOS
Resultados Cuantitativos
Las diferencias se notaron al aplicar las pruebas estandarizadas antes y después de la
intervención con marcos de modelos de IA adaptativa. Se evidencia en la comparación del
desempeño del grupo experimental en relación al grupo de control donde las diferencias resultaron
ser sorprendentemente significativas. Como se explicó en la Tabla 1 y en la Figura 1 se elucida el
desempeño del promedio del grupo experimental expuesto a la instrucción por contenido ajustado
mediante IA en el simulador educativo. La prueba posterior reveló que su puntuación media había
aumentado a 78.2 (DE= 4.7) respecto a 64.8 (DE=4.9) en la prueba previa. Por otro lado el
resultado del grupo de control que se mantuvo bajo el uso de métodos de enseñanza tradicionales
mostró una mejora muy baja de 65.4 (DE=5.3) a 66.7 (DE=5.1).
de entrevistas semiestructuradas con estudiantes y maestros con el fin de capturar e interpretar
sus percepciones sobre la experiencia de aprendizaje personalizado. Estas entrevistas fueron
grabadas, transcritas y posteriormente analizadas.
Métodos para el análisis y tratamiento de datos
Los datos cuantitativos fueron analizados utilizando estadísticas descriptivas e
inferenciales. Se realizaron una serie de pruebas t, tanto para muestras emparejadas como
independientes, para determinar si había diferencias entre los grupos. Las distintas cualidades
obtenidas analizándose mediante la codificación temática que hace posible capturar patrones en
relación con la experiencia de aprendizaje personalizado.
Principios Éticos y Cuestiones en la Conducta de la Investigación
Todos los participantes y sus respectivos tutores legales brindaron autorización informada
cumpliendo de este modo, con los lineamientos éticos expuestos en la Declaración de Helsinki.
Se resguardó el carácter confidencial de la información y el derecho de los participantes a salirse
del estudio en cualquier etapa del mismo sin padecer repercusiones. También se adoptaron
estrategias dirigidas a la minimización de sesgos o daños derivados de la intervención.
Alcance y Limitaciones del Estudio
El estudio, a pesar de sus limitaciones, contribuye, efectivos en el corpus de conocimiento
en relación con el uso de modelos matemáticos morfológicos adaptativos al impulsadón por IA.
La incorporación de obstáculos generales halla la generalizabilidad de los halla- zes, la limitación
al tamaño de la muestra, al contexto particular de la institución en cuestión y a otros factores
externos no controlados como la variabilidad en la instrucción de otros docentes, que, por la
naturaleza de la investigación, no pueden forzarse. Sugerimos que futuras investigaciones
intenten con muestras más potentes y diferentes contextos para validar y expandir estos hallazgos.
RESULTADOS
Resultados Cuantitativos
Las diferencias se notaron al aplicar las pruebas estandarizadas antes y después de la
intervención con marcos de modelos de IA adaptativa. Se evidencia en la comparación del
desempeño del grupo experimental en relación al grupo de control donde las diferencias resultaron
ser sorprendentemente significativas. Como se explicó en la Tabla 1 y en la Figura 1 se elucida el
desempeño del promedio del grupo experimental expuesto a la instrucción por contenido ajustado
mediante IA en el simulador educativo. La prueba posterior reveló que su puntuación media había
aumentado a 78.2 (DE= 4.7) respecto a 64.8 (DE=4.9) en la prueba previa. Por otro lado el
resultado del grupo de control que se mantuvo bajo el uso de métodos de enseñanza tradicionales
mostró una mejora muy baja de 65.4 (DE=5.3) a 66.7 (DE=5.1).
Vol. 12/ Núm. 2 2025 pág. 1303
Tabla 1
Resultados de la entrevista
Grupo Momento Media
(X̄)
Desviación
Estándar
(DE)
Control Pretest 65.4 5.3
Control Postest 66.7 5.1
Experimental Pretest 64.8 4.9
Experimental Postest 78.2 4.7
Gráfico 1
Comparación de desempeño académico
El impacto de los modelos matemáticos adaptativos apenas corroboró al realizar un análisis
t de muestras relacionadas y comprobar la diferencia significativa entre las puntuaciones pre y
pos intervención en el grupo experimental. Los resultados obtenidos fueron p<0.01. Esto es
acorde a los más recientes reportes sobre el hecho de que los sistemas basados en IA para
personalizar el aprendizaje indudablemente mejoraron el rendimiento estudiantil (Al-Abdullatif
et al., 2023; Shibani et al., 2022).
Además, la aplicación de estos métodos mostró más impacto en la resolución de problemas
y el rendimiento de comprensión lógica, lo cual es consistente con la evidencia empírica respecto
a la efectividad de algoritmos adaptativos para el aprendizaje autorregulado al aumentar la
autonomía ajustándose en tiempo real a la complejidad del problema (Spector et al., 2021; Siu et
al., 2023). Desde este ángulo, los algoritmos matemáticos adaptativos son vistos como algunos
de los principales facilitadores hacia la progresión de un sistema pedagógico rígido a uno más
flexible, inclusivo y centrado en los estudiantes...
Tabla 1
Resultados de la entrevista
Grupo Momento Media
(X̄)
Desviación
Estándar
(DE)
Control Pretest 65.4 5.3
Control Postest 66.7 5.1
Experimental Pretest 64.8 4.9
Experimental Postest 78.2 4.7
Gráfico 1
Comparación de desempeño académico
El impacto de los modelos matemáticos adaptativos apenas corroboró al realizar un análisis
t de muestras relacionadas y comprobar la diferencia significativa entre las puntuaciones pre y
pos intervención en el grupo experimental. Los resultados obtenidos fueron p<0.01. Esto es
acorde a los más recientes reportes sobre el hecho de que los sistemas basados en IA para
personalizar el aprendizaje indudablemente mejoraron el rendimiento estudiantil (Al-Abdullatif
et al., 2023; Shibani et al., 2022).
Además, la aplicación de estos métodos mostró más impacto en la resolución de problemas
y el rendimiento de comprensión lógica, lo cual es consistente con la evidencia empírica respecto
a la efectividad de algoritmos adaptativos para el aprendizaje autorregulado al aumentar la
autonomía ajustándose en tiempo real a la complejidad del problema (Spector et al., 2021; Siu et
al., 2023). Desde este ángulo, los algoritmos matemáticos adaptativos son vistos como algunos
de los principales facilitadores hacia la progresión de un sistema pedagógico rígido a uno más
flexible, inclusivo y centrado en los estudiantes...
Vol. 12/ Núm. 2 2025 pág. 1304
Resultados Cualitativos
El análisis cualitativo se llevó a cabo con el método de codificación temática de entrevistas
semiestructuradas y de observación de aula. Se encontraron cuatro categorías emergentes
principales: accesibilidad, motivación, autonomía e interacción. La Tabla 2 y el Diagrama 2
evidencian que la categoría con mayor frecuencia fue accesibilidad (n = 30) y luego motivación
(n = 25), autonomía (n = 22) e interacción (n = 18).
Tabla 2
Resultados de la entevista
Categoría Frecuencia (n)
Accesibilidad 30
Motivación 25
Autonomía 22
Interacción 18
Gráfico 2
Diagrama 2. Frecuencia de categorías emergentes
Estas categorías reflejan una percepción positiva por parte de los estudiantes enfocados en
el uso de herramientas de Inteligencia Artificial. Una IA permitió a muchos participantes acceder
a contenido y fomentar su autonomía dentro del aprendizaje. La motivación intrínseca también se
vio fortalecida gracias a la retroalimentación inmediata, los entornos interactivos y adaptación del
contenido de forma dinámica. Los docentes entrevistados también confirmaron estos hallazgos,
destacando la flexibilidad de la IA respecto a los diferentes estilos y ritmos de aprendizaje, lo que
también acompaña hallazgos previos sobre personalización educativa asistida por tecnología
(Falcão & Zerbini, 2020; Renz & Hilbig, 2021; Holmes et al., 2021).
La información de las tablas y de la figura se obtuvo desde la codificación cualitativa de
las entrevistas semiestructuradas y de la observación de aula. Las cuatro categorías emergentes
Resultados Cualitativos
El análisis cualitativo se llevó a cabo con el método de codificación temática de entrevistas
semiestructuradas y de observación de aula. Se encontraron cuatro categorías emergentes
principales: accesibilidad, motivación, autonomía e interacción. La Tabla 2 y el Diagrama 2
evidencian que la categoría con mayor frecuencia fue accesibilidad (n = 30) y luego motivación
(n = 25), autonomía (n = 22) e interacción (n = 18).
Tabla 2
Resultados de la entevista
Categoría Frecuencia (n)
Accesibilidad 30
Motivación 25
Autonomía 22
Interacción 18
Gráfico 2
Diagrama 2. Frecuencia de categorías emergentes
Estas categorías reflejan una percepción positiva por parte de los estudiantes enfocados en
el uso de herramientas de Inteligencia Artificial. Una IA permitió a muchos participantes acceder
a contenido y fomentar su autonomía dentro del aprendizaje. La motivación intrínseca también se
vio fortalecida gracias a la retroalimentación inmediata, los entornos interactivos y adaptación del
contenido de forma dinámica. Los docentes entrevistados también confirmaron estos hallazgos,
destacando la flexibilidad de la IA respecto a los diferentes estilos y ritmos de aprendizaje, lo que
también acompaña hallazgos previos sobre personalización educativa asistida por tecnología
(Falcão & Zerbini, 2020; Renz & Hilbig, 2021; Holmes et al., 2021).
La información de las tablas y de la figura se obtuvo desde la codificación cualitativa de
las entrevistas semiestructuradas y de la observación de aula. Las cuatro categorías emergentes
Vol. 12/ Núm. 2 2025 pág. 1305
fueron: accesibilidad, motivación, autonomía e interacción. A partir de la verbalización de los
alumnos de forma metódica, se evidencia que la accesibilidad (n = 30) fue el aspecto dentro de
las subcategorías que más frecuencia tuvo, seguido luego por motivación (n = 25), autonomía (n
= 22) e interacción (n = 18).
Estas respuestas muestran una actitud positiva frente a los enfoques que utilizaban
herramientas de inteligencia artificial. Con el uso de una IA, muchos participantes pudieron
acceder a contenido y ejercitar su autonomía dentro del mismo. La motivación intrínseca también
fue impulsada por la retroalimentación instantánea, los ambientes interactivos y la modificación
del contenido de manera dinámica. También, los docentes entrevistados confirmaron estos
resultados, resaltando la flexibilidad que brinda la IA al facilitar diferentes estilos y ritmos de
aprendizaje, lo cual también se evidencia en estudios previos sobre personalización educativa
atendida por tecnología (Falcão & Zerbini, 2020; Renz & Hilbig, 2021; Holmes, 2021).
Comparación y contraste de ambos resultados
La integración de los hallazgos cuantitativos y cualitativos revela la convergencia
subyacente que, a su vez, apoya la hipótesis principal del estudio: el modelado matemático
adaptativo utilizando algoritmos de inteligencia artificial impacta positivamente, de manera
significativa y multilateral, la personalización del aprendizaje. Las convergencias descritas
abarcan no solo los resultados de logros académicos, sino también las dimensiones emocionales,
motivacionales y cognitivas del proceso educativo.
Cuantitativamente, el grupo experimental superó al grupo control académicamente en al
menos un criterio (p < 0.01). Esto parece reforzar las afirmaciones del modelo acerca de la
adaptabilidad y la alineación en tiempo real de los criterios, contenido y niveles de complejidad
suministrados a los estudiantes. Esto se relaciona con el cuerpo de literatura que afirma que los
algoritmos inteligentes pueden ejecutar estrategias de enseñanza personalizadas diferenciadas por
niveles para cada estudiante basado en su rendimiento (Khosravi 2022; Roll & Winne, 2020).
Sus habilidades de razonamiento matemático y resolución de problemas, como algunas de
las habilidades fundamentales para el desarrollo del pensamiento lógico en niños en edad escolar
en el siglo XXI, también mostraron una notable mejora.
A partir de los resultados cualitativos de las entrevistas semiestructuradas y de las
observaciones de aula, se reportaron avances en las dimensiones afectivas y metacognitivas del
aprendizaje. Etiquetas de clase como accesibilidad y autonomía, motivación e interacción
emergieron una y otra vez, ilustrando que los entornos personalizados que generan los modelos
matemáticos adaptativos no solo ayudan en el acceso equitativo al aprendizaje, sino que también
estimulan la motivación y la autorregulación de los aprendices (Noroozi 2021; Mavroudi 2022;
Van Alten 2023).
La justificación detrás de la combinación de ambos conjuntos de hallazgos sugiere que la
personalización del aprendizaje mediada por IA, tal como se ofrece a través de adaptaciones
fueron: accesibilidad, motivación, autonomía e interacción. A partir de la verbalización de los
alumnos de forma metódica, se evidencia que la accesibilidad (n = 30) fue el aspecto dentro de
las subcategorías que más frecuencia tuvo, seguido luego por motivación (n = 25), autonomía (n
= 22) e interacción (n = 18).
Estas respuestas muestran una actitud positiva frente a los enfoques que utilizaban
herramientas de inteligencia artificial. Con el uso de una IA, muchos participantes pudieron
acceder a contenido y ejercitar su autonomía dentro del mismo. La motivación intrínseca también
fue impulsada por la retroalimentación instantánea, los ambientes interactivos y la modificación
del contenido de manera dinámica. También, los docentes entrevistados confirmaron estos
resultados, resaltando la flexibilidad que brinda la IA al facilitar diferentes estilos y ritmos de
aprendizaje, lo cual también se evidencia en estudios previos sobre personalización educativa
atendida por tecnología (Falcão & Zerbini, 2020; Renz & Hilbig, 2021; Holmes, 2021).
Comparación y contraste de ambos resultados
La integración de los hallazgos cuantitativos y cualitativos revela la convergencia
subyacente que, a su vez, apoya la hipótesis principal del estudio: el modelado matemático
adaptativo utilizando algoritmos de inteligencia artificial impacta positivamente, de manera
significativa y multilateral, la personalización del aprendizaje. Las convergencias descritas
abarcan no solo los resultados de logros académicos, sino también las dimensiones emocionales,
motivacionales y cognitivas del proceso educativo.
Cuantitativamente, el grupo experimental superó al grupo control académicamente en al
menos un criterio (p < 0.01). Esto parece reforzar las afirmaciones del modelo acerca de la
adaptabilidad y la alineación en tiempo real de los criterios, contenido y niveles de complejidad
suministrados a los estudiantes. Esto se relaciona con el cuerpo de literatura que afirma que los
algoritmos inteligentes pueden ejecutar estrategias de enseñanza personalizadas diferenciadas por
niveles para cada estudiante basado en su rendimiento (Khosravi 2022; Roll & Winne, 2020).
Sus habilidades de razonamiento matemático y resolución de problemas, como algunas de
las habilidades fundamentales para el desarrollo del pensamiento lógico en niños en edad escolar
en el siglo XXI, también mostraron una notable mejora.
A partir de los resultados cualitativos de las entrevistas semiestructuradas y de las
observaciones de aula, se reportaron avances en las dimensiones afectivas y metacognitivas del
aprendizaje. Etiquetas de clase como accesibilidad y autonomía, motivación e interacción
emergieron una y otra vez, ilustrando que los entornos personalizados que generan los modelos
matemáticos adaptativos no solo ayudan en el acceso equitativo al aprendizaje, sino que también
estimulan la motivación y la autorregulación de los aprendices (Noroozi 2021; Mavroudi 2022;
Van Alten 2023).
La justificación detrás de la combinación de ambos conjuntos de hallazgos sugiere que la
personalización del aprendizaje mediada por IA, tal como se ofrece a través de adaptaciones
Vol. 12/ Núm. 2 2025 pág. 1306
precisas y a medida en el nivel de cada individuo, no solo mejora el rendimiento académico, sino
que también transforma la actitud del aprendiz fomentando un aprendizaje activo, duradero y
autodirigido. Con este enfoque mixto (Creswell & Plano Clark, 2018) se fundamenta el diseño de
la investigación uno y se justifica los modelos adaptativos como una innovación educativa
altamente escalable y transferible.
Grado de resolución en la síntesis de resultados
Las conclusiones alcanzadas en este estudio confirman indiscutiblemente la hipótesis. Los
Métodos de Inteligencia Artificial Adaptativa (IA) dentro de los marcos de Tecnologías
Educativas son una interfaz efectiva que aumenta las experiencias de aprendizaje personal, lo que
a su vez mejora el rendimiento académico así como factores críticos metacognitivos,
motivacionales y de autorregulación centrales para el crecimiento nutrido dentro de la educación.
Desde una perspectiva cuantitativa, hubo una diferencia notable en el grupo experimental:
una ganancia promedio de 13.4 puntos en las evaluaciones de post-prueba, que estadísticamente
se considera un cambio positivo.
El impacto de los sistemas inteligentes para el refinamiento del logro académico es
profundo y claro. Esto coincide con otros estudios que enfatizan el impacto de los sistemas de
tutoría inteligente en la autonomía del aprendiz, la comprensión conceptual y las habilidades de
resolución de problemas (Holmes et al., 2021; Chen et al., 2020).
Por otro lado, el análisis cualitativo mostró que los estudiantes informaron un aumento
relativo en la autonomía, accesibilidad y motivación al interactuar con plataformas de IA. Estos
factores son importantes para la sostenibilidad del aprendizaje porque mejoran la participación
proactiva del aprendiz, refuerzan el sentido de agencia (Renz & Hilbig, 2021). Además, hubo una
mayor alineación con los ritmos y estilos de aprendizaje individuales, lo que concuerda con la
literatura que afirma que la IA mejora la equidad en el acceso a la información al proporcionar
caminos individualizados (Zawacki-Richter et al., 2019; Falcão & Zerbini, 2020).
En síntesis, el uso de modelos matemáticos adaptativos incrementa la eficiencia
instruccional y la capacidad de respuesta del sistema educativo en relación a la diferencia de los
alumnos, sobre todo en aquellos grupos donde coexisten estudiantes con diferentes habilidades,
ritmos y otras necesidades. Este estudio ayuda a comprender cómo el cambio en la tecnología
educativa interactúa con el nivel de enseñanza primaria y cómo puede ser aplicada en la práctica.
DISCUSIÓN
Resultados e Interpretación
A partir de las conclusiones realizadas en este estudio, considerando la aplicación de la
enseñanza adaptativa mediante el uso de inteligencia artificial (IA), se observa una tendencia
marcada en la optimización del aprendizaje y el rendimiento que se evidencia en las calificaciones
obtenidas, mostrando que estas herramientas contribuyen a la personalización del aprendizaje.
precisas y a medida en el nivel de cada individuo, no solo mejora el rendimiento académico, sino
que también transforma la actitud del aprendiz fomentando un aprendizaje activo, duradero y
autodirigido. Con este enfoque mixto (Creswell & Plano Clark, 2018) se fundamenta el diseño de
la investigación uno y se justifica los modelos adaptativos como una innovación educativa
altamente escalable y transferible.
Grado de resolución en la síntesis de resultados
Las conclusiones alcanzadas en este estudio confirman indiscutiblemente la hipótesis. Los
Métodos de Inteligencia Artificial Adaptativa (IA) dentro de los marcos de Tecnologías
Educativas son una interfaz efectiva que aumenta las experiencias de aprendizaje personal, lo que
a su vez mejora el rendimiento académico así como factores críticos metacognitivos,
motivacionales y de autorregulación centrales para el crecimiento nutrido dentro de la educación.
Desde una perspectiva cuantitativa, hubo una diferencia notable en el grupo experimental:
una ganancia promedio de 13.4 puntos en las evaluaciones de post-prueba, que estadísticamente
se considera un cambio positivo.
El impacto de los sistemas inteligentes para el refinamiento del logro académico es
profundo y claro. Esto coincide con otros estudios que enfatizan el impacto de los sistemas de
tutoría inteligente en la autonomía del aprendiz, la comprensión conceptual y las habilidades de
resolución de problemas (Holmes et al., 2021; Chen et al., 2020).
Por otro lado, el análisis cualitativo mostró que los estudiantes informaron un aumento
relativo en la autonomía, accesibilidad y motivación al interactuar con plataformas de IA. Estos
factores son importantes para la sostenibilidad del aprendizaje porque mejoran la participación
proactiva del aprendiz, refuerzan el sentido de agencia (Renz & Hilbig, 2021). Además, hubo una
mayor alineación con los ritmos y estilos de aprendizaje individuales, lo que concuerda con la
literatura que afirma que la IA mejora la equidad en el acceso a la información al proporcionar
caminos individualizados (Zawacki-Richter et al., 2019; Falcão & Zerbini, 2020).
En síntesis, el uso de modelos matemáticos adaptativos incrementa la eficiencia
instruccional y la capacidad de respuesta del sistema educativo en relación a la diferencia de los
alumnos, sobre todo en aquellos grupos donde coexisten estudiantes con diferentes habilidades,
ritmos y otras necesidades. Este estudio ayuda a comprender cómo el cambio en la tecnología
educativa interactúa con el nivel de enseñanza primaria y cómo puede ser aplicada en la práctica.
DISCUSIÓN
Resultados e Interpretación
A partir de las conclusiones realizadas en este estudio, considerando la aplicación de la
enseñanza adaptativa mediante el uso de inteligencia artificial (IA), se observa una tendencia
marcada en la optimización del aprendizaje y el rendimiento que se evidencia en las calificaciones
obtenidas, mostrando que estas herramientas contribuyen a la personalización del aprendizaje.
Vol. 12/ Núm. 2 2025 pág. 1307
Esto fue así porque el grupo que fue sometido a esta educación con tecnología de IA incluso se
compararon los exámenes comparativos realizables (term_0) con el grupo control y hubo un
aumento notable en las puntuaciones. Esto permite suponer que los sistemas de educación por IA
poseen la flexibilidad indiscutible en la modificación del contenido a las necesidades particulares
de cada alumno. Aún más, esto reafirma la preocupación en la literatura existente citado
anteriormente sobre la capacidad y la integración de la inteligencia artificial en la educación en
el aprendizaje personalizado respecto al comprometido impacto en el rendimiento de los
estudiantes (Al Abdullatif et al., 2023; Shibani et al., 2022).
El análisis cualitativo también mostró avances en los dominios afectivos-motivacionales
del aprendizaje, como la autonomía, la motivación y la accesibilidad. Estas mejoras sugieren que
los impactos de los modelos adaptativos basados en IA van más allá del rendimiento académico;
también profundizan las complejidades emocionales y motivacionales del aprendizaje, avanzando
hacia un marco educativo más inclusivamente receptivo y adaptable a las necesidades de los
aprendices (Mavroudi et al., 2022; Van Alten et al., 2023).
Comparación con estudios anteriores
Nuestros hallazgos, en comparación con investigaciones previas, corroboran que los
sistemas de tutoría inteligente y las plataformas de aprendizaje adaptativo basadas en IA son
efectivas. Por ejemplo, varios estudios recientes han informado de una notable mejora en el
rendimiento académico y la motivación de los estudiantes que emplean sistemas de tutoría
inteligentes que ajustan la enseñanza y proporcionan retroalimentación en tiempo real (Chen et
al., 2020; Luckin et al., 2016; Zawacki-Richter et al., 2019).
A pesar de esto, estos investigadores señalaron problemas relacionados con la
implementación de tales tecnologías, incluida la infraestructura de tecnología de información y
comunicaciones y la capacitación de los docentes para usar la IA en la enseñanza (Falcão &
Zerbini, 2020).
Además, ha habido menciones sobre las preocupaciones éticas y de privacidad respecto al
uso de datos de estudiantes para adaptar el aprendizaje en su trabajo (Holmes et al., 2021).
Implicaciones Educativas y Prácticas
Como parte del sector educativo, los hallazgos de este estudio proporcionan una plétora de
perspectivas prácticas. Por un lado, sugiere que la incorporación de modelos matemáticos
adaptativos impulsados por IA puede servir como una buena práctica para la modificación de la
instrucción y la mejora del rendimiento académico, especialmente para los estudiantes con
Necesidades Educativas Especiales (NEE). Esto significa que las instituciones educativas pueden
necesitar considerar la adopción de estas tecnologías para abordar mejor los muchos cambios en
las demandas y preferencias entre los estudiantes.
Además, la mejora de las dimensiones afectivas-motivacionales del aprendizaje sugiere que
estas herramientas tienen el potencial de promover entornos de aprendizaje más atractivos e
Esto fue así porque el grupo que fue sometido a esta educación con tecnología de IA incluso se
compararon los exámenes comparativos realizables (term_0) con el grupo control y hubo un
aumento notable en las puntuaciones. Esto permite suponer que los sistemas de educación por IA
poseen la flexibilidad indiscutible en la modificación del contenido a las necesidades particulares
de cada alumno. Aún más, esto reafirma la preocupación en la literatura existente citado
anteriormente sobre la capacidad y la integración de la inteligencia artificial en la educación en
el aprendizaje personalizado respecto al comprometido impacto en el rendimiento de los
estudiantes (Al Abdullatif et al., 2023; Shibani et al., 2022).
El análisis cualitativo también mostró avances en los dominios afectivos-motivacionales
del aprendizaje, como la autonomía, la motivación y la accesibilidad. Estas mejoras sugieren que
los impactos de los modelos adaptativos basados en IA van más allá del rendimiento académico;
también profundizan las complejidades emocionales y motivacionales del aprendizaje, avanzando
hacia un marco educativo más inclusivamente receptivo y adaptable a las necesidades de los
aprendices (Mavroudi et al., 2022; Van Alten et al., 2023).
Comparación con estudios anteriores
Nuestros hallazgos, en comparación con investigaciones previas, corroboran que los
sistemas de tutoría inteligente y las plataformas de aprendizaje adaptativo basadas en IA son
efectivas. Por ejemplo, varios estudios recientes han informado de una notable mejora en el
rendimiento académico y la motivación de los estudiantes que emplean sistemas de tutoría
inteligentes que ajustan la enseñanza y proporcionan retroalimentación en tiempo real (Chen et
al., 2020; Luckin et al., 2016; Zawacki-Richter et al., 2019).
A pesar de esto, estos investigadores señalaron problemas relacionados con la
implementación de tales tecnologías, incluida la infraestructura de tecnología de información y
comunicaciones y la capacitación de los docentes para usar la IA en la enseñanza (Falcão &
Zerbini, 2020).
Además, ha habido menciones sobre las preocupaciones éticas y de privacidad respecto al
uso de datos de estudiantes para adaptar el aprendizaje en su trabajo (Holmes et al., 2021).
Implicaciones Educativas y Prácticas
Como parte del sector educativo, los hallazgos de este estudio proporcionan una plétora de
perspectivas prácticas. Por un lado, sugiere que la incorporación de modelos matemáticos
adaptativos impulsados por IA puede servir como una buena práctica para la modificación de la
instrucción y la mejora del rendimiento académico, especialmente para los estudiantes con
Necesidades Educativas Especiales (NEE). Esto significa que las instituciones educativas pueden
necesitar considerar la adopción de estas tecnologías para abordar mejor los muchos cambios en
las demandas y preferencias entre los estudiantes.
Además, la mejora de las dimensiones afectivas-motivacionales del aprendizaje sugiere que
estas herramientas tienen el potencial de promover entornos de aprendizaje más atractivos e
Vol. 12/ Núm. 2 2025 pág. 1308
inclusivos. Por lo tanto, los educadores que se supone que deben trabajar con estas tecnologías
necesitan ser capacitados adecuadamente y deben implementarse políticas que aseguren que estas
herramientas se utilicen de manera adecuada y responsable en el aula (Renz y Hilbig, 2021).
Limitaciones y Consideraciones para la Investigación Futura
Este estudio presenta algunas limitaciones, a pesar de los resultados aún relativamente
optimistas. Para empezar, la muestra se limitó a una población particular, lo que plantea un riesgo
considerable en relación con la generalizabilidad de los hallazgos. Los estudios futuros podrían
abordar el problema ampliando la muestra para incluir una gama más amplia de contextos
educativos y demográficos.
Además, aunque se notó alguna mejora entre los estudiantes en relación con el rendimiento
académico y los factores motivacionales-afectivos, no se evaluó el impacto de la intervención
durante un período de tiempo más largo. El enfoque de futuros estudios podría ser la investigación
longitudinal para analizar cuán sostenibles son los efectos y cómo la implementación de IA en el
aprendizaje afecta la adquisición de habilidades, la preparación y el aprendizaje, tanto en el futuro
cercano como en el lejano (Creswell y Plano Clark, 2018).
CONCLUSIÓN
Esta investigación ha logrado plenamente los objetivos establecidos. Ha verificado que la
aplicación de modelos matemáticos predictivos adaptativos basados en inteligencia artificial (IA)
integra los procesos educativos a diferentes niveles y mejora la personalización del proceso de
enseñanza-aprendizaje. Esto mejora el rendimiento académico de los estudiantes en otros
entornos educativos. Usando un diseño metodológico mixto, se recogieron tanto evidencias
empíricas cuantitativas como cualitativas respecto a la efectividad de estos implementos
tecnológicos en entornos educativos reales. En el marco cuantitativo, las puntuaciones de las
pruebas post-intervención del grupo experimental fueron significativamente más altas que las del
grupo de control. Esto indica el uso potencial de modelos matemáticos adaptativos predictivos en
sistemas educativos automatizados personalizados donde el contenido de control, el nivel de
dificultad y el ritmo de las actividades se adaptan a las necesidades individuales de los estudiantes.
La adaptabilidad, mediada por algoritmos de aprendizaje automático, proporcionó una instrucción
diferenciada que optimizó el tiempo de enseñanza y la eficiencia del proceso formativo, percibido,
entre otros, en matemáticas, lógica formal y comprensión del pensamiento sistémico.
Paralelamente, desde una perspectiva cualitativa, el análisis temático de las entrevistas y las
observaciones realizadas sugirió efectos positivos en las dimensiones afectivas-motivacionales
del aprendizaje. Se documentaron cambios en cuanto a la autonomía del estudiante, la
autoeficacia, la motivación intrínseca y la percepción respecto al grado de accesibilidad del
contenido. Estos cambios sugieren que los entornos de aprendizaje adaptativos impulsados por
inteligencia artificial no solo influyen en el rendimiento académico, sino que también moldean la
inclusivos. Por lo tanto, los educadores que se supone que deben trabajar con estas tecnologías
necesitan ser capacitados adecuadamente y deben implementarse políticas que aseguren que estas
herramientas se utilicen de manera adecuada y responsable en el aula (Renz y Hilbig, 2021).
Limitaciones y Consideraciones para la Investigación Futura
Este estudio presenta algunas limitaciones, a pesar de los resultados aún relativamente
optimistas. Para empezar, la muestra se limitó a una población particular, lo que plantea un riesgo
considerable en relación con la generalizabilidad de los hallazgos. Los estudios futuros podrían
abordar el problema ampliando la muestra para incluir una gama más amplia de contextos
educativos y demográficos.
Además, aunque se notó alguna mejora entre los estudiantes en relación con el rendimiento
académico y los factores motivacionales-afectivos, no se evaluó el impacto de la intervención
durante un período de tiempo más largo. El enfoque de futuros estudios podría ser la investigación
longitudinal para analizar cuán sostenibles son los efectos y cómo la implementación de IA en el
aprendizaje afecta la adquisición de habilidades, la preparación y el aprendizaje, tanto en el futuro
cercano como en el lejano (Creswell y Plano Clark, 2018).
CONCLUSIÓN
Esta investigación ha logrado plenamente los objetivos establecidos. Ha verificado que la
aplicación de modelos matemáticos predictivos adaptativos basados en inteligencia artificial (IA)
integra los procesos educativos a diferentes niveles y mejora la personalización del proceso de
enseñanza-aprendizaje. Esto mejora el rendimiento académico de los estudiantes en otros
entornos educativos. Usando un diseño metodológico mixto, se recogieron tanto evidencias
empíricas cuantitativas como cualitativas respecto a la efectividad de estos implementos
tecnológicos en entornos educativos reales. En el marco cuantitativo, las puntuaciones de las
pruebas post-intervención del grupo experimental fueron significativamente más altas que las del
grupo de control. Esto indica el uso potencial de modelos matemáticos adaptativos predictivos en
sistemas educativos automatizados personalizados donde el contenido de control, el nivel de
dificultad y el ritmo de las actividades se adaptan a las necesidades individuales de los estudiantes.
La adaptabilidad, mediada por algoritmos de aprendizaje automático, proporcionó una instrucción
diferenciada que optimizó el tiempo de enseñanza y la eficiencia del proceso formativo, percibido,
entre otros, en matemáticas, lógica formal y comprensión del pensamiento sistémico.
Paralelamente, desde una perspectiva cualitativa, el análisis temático de las entrevistas y las
observaciones realizadas sugirió efectos positivos en las dimensiones afectivas-motivacionales
del aprendizaje. Se documentaron cambios en cuanto a la autonomía del estudiante, la
autoeficacia, la motivación intrínseca y la percepción respecto al grado de accesibilidad del
contenido. Estos cambios sugieren que los entornos de aprendizaje adaptativos impulsados por
inteligencia artificial no solo influyen en el rendimiento académico, sino que también moldean la
Vol. 12/ Núm. 2 2025 pág. 1309
experiencia educativa general del aprendiz. Esto fomenta habilidades importantes como la
autorregulación, la metacognición y la toma de decisiones razonadas. La retroalimentación que
se obtiene utilizando los modelos pedagógicos adaptativos es significativa, y esto se debe al
potencial que tienen para crear y deshacer los caminos de aprendizaje de manera instantánea. Esto
no solo acelera el proceso de evaluación formativa; baja, de manera sustancial, el rezago
académico al identificar dificultades de forma temprana y al crear intervenciones personalizadas.
A su vez, estos modelos ayudan a brindar un refuerzo al rezago académico al apoyar de manera
específica a cada aprendiz, de acuerdo a su singularidad, fortaleza y debilidad. La importancia de
estas conclusiones pone de manifiesto la falta profunda que hay dentro de la educación actual,
donde, el arco de abordaje no es más rígido, sino dinámico y se da en función de las necesidades
contemporáneas, integrando inclusividad, flexibilidad, y evidencia. La inteligencia artificial como
enseñanza no reemplaza al educador; emerge para potenciar las oportunidades de aprendizaje
centrado en el estudiante. No obstante, aún queda espacio para criticar esta investigación hacia la
diversidad poblacional como la ausencia de una evaluación longitudinal del impacto del estudio.
Por eso, el estudio propone analizar el efecto de estos modelos en estudiantes de niveles
educativos inferiores que vivan en las zonas con bajo nivel de recursos socioeconómicos. En otras
palabras, la preocupación clave sigue siendo la implementación de algorítmica adaptativa ya en
el uso de herramientas de inteligencia artificial en desarrollos de modelos educativos. Si se hace
como se debe, puede transformar la educación a un nivel que sea más estrechamente adaptado a
cada estudiante. Este tipo de educación es equitativa y efectiva, que enfrenta los problemas y
desafíos del siglo 21 por su cultura centrada en la administración y control de la tecnología
educativa.
experiencia educativa general del aprendiz. Esto fomenta habilidades importantes como la
autorregulación, la metacognición y la toma de decisiones razonadas. La retroalimentación que
se obtiene utilizando los modelos pedagógicos adaptativos es significativa, y esto se debe al
potencial que tienen para crear y deshacer los caminos de aprendizaje de manera instantánea. Esto
no solo acelera el proceso de evaluación formativa; baja, de manera sustancial, el rezago
académico al identificar dificultades de forma temprana y al crear intervenciones personalizadas.
A su vez, estos modelos ayudan a brindar un refuerzo al rezago académico al apoyar de manera
específica a cada aprendiz, de acuerdo a su singularidad, fortaleza y debilidad. La importancia de
estas conclusiones pone de manifiesto la falta profunda que hay dentro de la educación actual,
donde, el arco de abordaje no es más rígido, sino dinámico y se da en función de las necesidades
contemporáneas, integrando inclusividad, flexibilidad, y evidencia. La inteligencia artificial como
enseñanza no reemplaza al educador; emerge para potenciar las oportunidades de aprendizaje
centrado en el estudiante. No obstante, aún queda espacio para criticar esta investigación hacia la
diversidad poblacional como la ausencia de una evaluación longitudinal del impacto del estudio.
Por eso, el estudio propone analizar el efecto de estos modelos en estudiantes de niveles
educativos inferiores que vivan en las zonas con bajo nivel de recursos socioeconómicos. En otras
palabras, la preocupación clave sigue siendo la implementación de algorítmica adaptativa ya en
el uso de herramientas de inteligencia artificial en desarrollos de modelos educativos. Si se hace
como se debe, puede transformar la educación a un nivel que sea más estrechamente adaptado a
cada estudiante. Este tipo de educación es equitativa y efectiva, que enfrenta los problemas y
desafíos del siglo 21 por su cultura centrada en la administración y control de la tecnología
educativa.
Vol. 12/ Núm. 2 2025 pág. 1310
REFERENCIAS
Al-Abdullatif, A. M., Alzahrani, A. I., & Al-Mutairi, M. S. (2023). AI-Powered Adaptive
Education for Disabled Learners. International Journal of Advanced Computer Science and
Applications, 14(1), 1-8. https://doi.org/10.14569/IJACSA.2023.0140101
Alimisis, D. (2023). Creative Application of Artificial Intelligence in Education. En Creative
Applications of Artificial Intelligence in Education (pp. 1-15). Springer.
https://doi.org/10.1007/978-3-031-55272-4_1
Alimisis, D. (2023). Virtual Galleries as Learning Scaffolds for Promoting Problem-Based
Learning. Education Sciences, 13(3), 1-15. https://doi.org/10.3390/educsci13030245
Alimisis, D. (2025). The AI-enhanced DIY robotic car: introducing the five big ideas of AI. En
S. Papadakis & G. Lampropoulos (Eds.), Intelligent Educational Robots: Toward
Personalized Learning Environments (pp. 245-262). De Gruyter.
https://doi.org/10.1515/9783111352695-014
Baker, R. S., & Smith, L. (2022). The Role of Learning Analytics in Supporting Self-Directed
Learning. British Journal of Educational Technology, 53(2), 285-302.
https://doi.org/10.1111/bjet.13163
Baker, R. S., & Smith, L. (2022). Understanding self-directed learning in AI-Assisted writing: A
mixed methods study of postsecondary learners. Computers and Education: Artificial
Intelligence, 3, 100050. https://doi.org/10.1016/j.caeai.2022.100050
Bernal Párraga , A. P., Garcia , M. D. J., Consuelo Sanchez, B., Guaman Santillan, R. Y., Nivela
Cedeño, A. N., Cruz Roca, A. B., & Ruiz Medina, J. M. (2024). Integración de la Educación
STEM en la Educación General Básica: Es-trategias, Impacto y Desafíos en el Contexto
Educativo Actual. Ciencia Latina Revista Científica Multidisciplinar, 8(4), 8927-8949.
https://doi.org/10.37811/cl_rcm.v8i4.13037
Bernal Párraga, A. P., Alcívar Vélez, V. E., Pinargote Carreño, V. G., Pulgarín Feijoo, Y. A., &
Medina Garate, C. L. (2025). Pensamiento lógico y resolución de problemas: El uso de
estrategias de aprendizaje colaborativo para desarrollar habilidades de razonamiento
matemático en contextos cotidianos. Arandu UTIC, 12(1), 360–378.
https://doi.org/10.69639/arandu.v12i1.605
Brusilovsky, P., & Millán, E. (2007). User Models for Adaptive Hypermedia and Adaptive
Educational Systems. En P. Brusilovsky, A. Kobsa, & W. Nejdl (Eds.), The Adaptive Web:
Methods and Strategies of Web Personalization (pp. 3-53). Springer.
https://doi.org/10.1007/978-3-540-72079-9_1
Chen, G., Li, Y., & Wang, C. (2020). Artificial intelligence in intelligent tutoring systems toward
sustainable education. Smart Learning Environments, 7(1), 1-17.
https://doi.org/10.1186/s40561-020-00125-8
REFERENCIAS
Al-Abdullatif, A. M., Alzahrani, A. I., & Al-Mutairi, M. S. (2023). AI-Powered Adaptive
Education for Disabled Learners. International Journal of Advanced Computer Science and
Applications, 14(1), 1-8. https://doi.org/10.14569/IJACSA.2023.0140101
Alimisis, D. (2023). Creative Application of Artificial Intelligence in Education. En Creative
Applications of Artificial Intelligence in Education (pp. 1-15). Springer.
https://doi.org/10.1007/978-3-031-55272-4_1
Alimisis, D. (2023). Virtual Galleries as Learning Scaffolds for Promoting Problem-Based
Learning. Education Sciences, 13(3), 1-15. https://doi.org/10.3390/educsci13030245
Alimisis, D. (2025). The AI-enhanced DIY robotic car: introducing the five big ideas of AI. En
S. Papadakis & G. Lampropoulos (Eds.), Intelligent Educational Robots: Toward
Personalized Learning Environments (pp. 245-262). De Gruyter.
https://doi.org/10.1515/9783111352695-014
Baker, R. S., & Smith, L. (2022). The Role of Learning Analytics in Supporting Self-Directed
Learning. British Journal of Educational Technology, 53(2), 285-302.
https://doi.org/10.1111/bjet.13163
Baker, R. S., & Smith, L. (2022). Understanding self-directed learning in AI-Assisted writing: A
mixed methods study of postsecondary learners. Computers and Education: Artificial
Intelligence, 3, 100050. https://doi.org/10.1016/j.caeai.2022.100050
Bernal Párraga , A. P., Garcia , M. D. J., Consuelo Sanchez, B., Guaman Santillan, R. Y., Nivela
Cedeño, A. N., Cruz Roca, A. B., & Ruiz Medina, J. M. (2024). Integración de la Educación
STEM en la Educación General Básica: Es-trategias, Impacto y Desafíos en el Contexto
Educativo Actual. Ciencia Latina Revista Científica Multidisciplinar, 8(4), 8927-8949.
https://doi.org/10.37811/cl_rcm.v8i4.13037
Bernal Párraga, A. P., Alcívar Vélez, V. E., Pinargote Carreño, V. G., Pulgarín Feijoo, Y. A., &
Medina Garate, C. L. (2025). Pensamiento lógico y resolución de problemas: El uso de
estrategias de aprendizaje colaborativo para desarrollar habilidades de razonamiento
matemático en contextos cotidianos. Arandu UTIC, 12(1), 360–378.
https://doi.org/10.69639/arandu.v12i1.605
Brusilovsky, P., & Millán, E. (2007). User Models for Adaptive Hypermedia and Adaptive
Educational Systems. En P. Brusilovsky, A. Kobsa, & W. Nejdl (Eds.), The Adaptive Web:
Methods and Strategies of Web Personalization (pp. 3-53). Springer.
https://doi.org/10.1007/978-3-540-72079-9_1
Chen, G., Li, Y., & Wang, C. (2020). Artificial intelligence in intelligent tutoring systems toward
sustainable education. Smart Learning Environments, 7(1), 1-17.
https://doi.org/10.1186/s40561-020-00125-8
Vol. 12/ Núm. 2 2025 pág. 1311
Chen, X., Xie, H., & Hwang, G.-J. (2023). AI-driven adaptive learning for sustainable educational
transformation. Sustainable Development, 31(4), 1-15. https://doi.org/10.1002/sd.3221
Creswell, J. W., & Plano Clark, V. L. (2018). Designing and conducting mixed methods research
(3rd ed.). SAGE Publications.
Dede, C., Ho, A., & Mitros, P. (2021). Adaptive Learning, Instruction, and Teaching in Schools:
Unraveling Context, Sources, Implementation, and Goals in a Systematic Review. Journal
of Computer Assisted Learning, 37(6), 1561-1579. https://doi.org/10.1111/jcal.12583
Dede, C., Ho, A., & Mitros, P. (2021). The Ethics of Artificial Intelligence Research in Education.
Harvard Educational Review, 91(4), 611-634. https://doi.org/10.17763/1943-5045-91.4.611
Falcão, T. P., & Zerbini, T. (2020). Adaptive learning technologies and artificial intelligence in
education: A systematic literature review. International Journal of Social Research and
Innovation, 4(1), 45-60. https://doi.org/10.31235/osf.io/xyz123
Falcão, T. P., & Zerbini, T. (2020). Adaptive Learning Using Artificial Intelligence in e-Learning:
A Systematic Literature Review. Education Sciences, 10(12), 345.
https://doi.org/10.3390/educsci10120345
Fu, W., Zhang, J., Zhang, D., Li, T., Lan, M., & Liu, N. (2025). An Empirical Study of Adaptive
Feedback to Enhance Cognitive Ability in Programming Learning among College Students:
A Perspective Based on Multimodal Data Analysis. Journal of Educational Computing
Research, 59(2), 293–318. https://doi.org/10.1177/07356331241313126
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
https://www.deeplearningbook.org/
Holmes, W., Bialik, M., & Fadel, C. (2021). Artificial Intelligence in Education: Promises and
Implications for Teaching and Learning. Center for Curriculum Redesign.
Holstein, K., McLaren, B. M., & Aleven, V. (2022). Designing for human–AI complementarity
in K‐12 education. AI Magazine, 42(2), 17-28. https://doi.org/10.1002/aaai.12058
Howard-Jones, P. A. (2014). Neuroscience and education: myths and messages. Nature Reviews
Neuroscience, 15(12), 817-824. https://doi.org/10.1038/nrn3817
Khosravi, H., Cooper, K., & Kitto, K. (2022). AI-enabled adaptive learning systems: A systematic
mapping of the literature. Computers and Education: Artificial Intelligence, 3, 100095.
https://doi.org/10.1016/j.caeai.2022.100095
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed: An
Argument for AI in Education. Pearson.
https://www.researchgate.net/publication/299561597_Intelligence_Unleashed_An_argume
nt_for_AI_in_Education
Mavroudi, A., Giannakos, M. N., & Krogstie, J. (2022). Exploring the role of motivation in
adaptive learning systems: A systematic literature review. Computers & Education, 182,
104463. https://doi.org/10.1016/j.compedu.2022.104463
Chen, X., Xie, H., & Hwang, G.-J. (2023). AI-driven adaptive learning for sustainable educational
transformation. Sustainable Development, 31(4), 1-15. https://doi.org/10.1002/sd.3221
Creswell, J. W., & Plano Clark, V. L. (2018). Designing and conducting mixed methods research
(3rd ed.). SAGE Publications.
Dede, C., Ho, A., & Mitros, P. (2021). Adaptive Learning, Instruction, and Teaching in Schools:
Unraveling Context, Sources, Implementation, and Goals in a Systematic Review. Journal
of Computer Assisted Learning, 37(6), 1561-1579. https://doi.org/10.1111/jcal.12583
Dede, C., Ho, A., & Mitros, P. (2021). The Ethics of Artificial Intelligence Research in Education.
Harvard Educational Review, 91(4), 611-634. https://doi.org/10.17763/1943-5045-91.4.611
Falcão, T. P., & Zerbini, T. (2020). Adaptive learning technologies and artificial intelligence in
education: A systematic literature review. International Journal of Social Research and
Innovation, 4(1), 45-60. https://doi.org/10.31235/osf.io/xyz123
Falcão, T. P., & Zerbini, T. (2020). Adaptive Learning Using Artificial Intelligence in e-Learning:
A Systematic Literature Review. Education Sciences, 10(12), 345.
https://doi.org/10.3390/educsci10120345
Fu, W., Zhang, J., Zhang, D., Li, T., Lan, M., & Liu, N. (2025). An Empirical Study of Adaptive
Feedback to Enhance Cognitive Ability in Programming Learning among College Students:
A Perspective Based on Multimodal Data Analysis. Journal of Educational Computing
Research, 59(2), 293–318. https://doi.org/10.1177/07356331241313126
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
https://www.deeplearningbook.org/
Holmes, W., Bialik, M., & Fadel, C. (2021). Artificial Intelligence in Education: Promises and
Implications for Teaching and Learning. Center for Curriculum Redesign.
Holstein, K., McLaren, B. M., & Aleven, V. (2022). Designing for human–AI complementarity
in K‐12 education. AI Magazine, 42(2), 17-28. https://doi.org/10.1002/aaai.12058
Howard-Jones, P. A. (2014). Neuroscience and education: myths and messages. Nature Reviews
Neuroscience, 15(12), 817-824. https://doi.org/10.1038/nrn3817
Khosravi, H., Cooper, K., & Kitto, K. (2022). AI-enabled adaptive learning systems: A systematic
mapping of the literature. Computers and Education: Artificial Intelligence, 3, 100095.
https://doi.org/10.1016/j.caeai.2022.100095
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed: An
Argument for AI in Education. Pearson.
https://www.researchgate.net/publication/299561597_Intelligence_Unleashed_An_argume
nt_for_AI_in_Education
Mavroudi, A., Giannakos, M. N., & Krogstie, J. (2022). Exploring the role of motivation in
adaptive learning systems: A systematic literature review. Computers & Education, 182,
104463. https://doi.org/10.1016/j.compedu.2022.104463
Vol. 12/ Núm. 2 2025 pág. 1312
Montenegro Muñoz, M. E., Bernal Párraga, A. P., Vera Peralta, Y. E., Moreira Velez , K. L.,
Camacho Torres, V. L., Mejía Quiñonez, J. L., & Poveda Gavilanez, D. M. (2024). Flipped
Classroom: impacto en el rendimiento académico y la autonomía de los estudiantes. Ciencia
Latina Revista Científica Multidisciplinar, 8(3), 10083-10112.
https://doi.org/10.37811/cl_rcm.v8i3.12139
Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction. MIT Press.
https://doi.org/10.7551/mitpress/12427.001.0001
Noroozi, O., Biemans, H. J. A., & Mulder, M. (2021). Implications of AI-based adaptive learning
systems for educational practice. Computers and Education: Artificial Intelligence, 2,
100011. https://doi.org/10.1016/j.caeai.2021.100011
Papasarantou, C., Alimisis, D., & Theodoropoulos, E. (2025). The AI-enhanced DIY robotic car:
introducing the five big ideas of AI. En S. Papadakis & G. Lampropoulos (Eds.), Intelligent
Educational Robots: Toward Personalized Learning Environments (pp. 245-262). De
Gruyter. https://doi.org/10.1515/9783111352695-014
Perifanou, M., Economides, A. A., & Tsiatsos, T. (2023). Adaptive Learning Using Artificial
Intelligence in e-Learning. Education Sciences, 13(12), 1216.
https://doi.org/10.3390/educsci13121216
Renz, A., & Hilbig, R. (2021). AI-enabled adaptive learning systems: A systematic mapping of
the literature. Computers and Education: Artificial Intelligence, 2, 100017.
https://doi.org/10.1016/j.caeai.2021.100017
Romero, C., Ventura, S., & García, E. (2023). Introducing Artificial Intelligence and Machine
Learning in K12 Education to Foster 21st Century Skills: From Theory to Practice. Journal
of Educational Technology Systems, 51(2), 203-222.
https://doi.org/10.1177/00472395211063704
Romero, C., Ventura, S., & Pechenizkiy, M. (2016). Handbook of Educational Data Mining. CRC
Press. https://doi.org/10.1201/b10274
Shibani, A., Knight, S., & Shum, S. B. (2022). Educator perspectives on learning analytics in
classroom practice. Internet and Higher Education, 52, 100818.
https://doi.org/10.1016/j.iheduc.2021.100818
Spector, J. M., Ifenthaler, D., Sampson, D., Yang, L., Mukama, E., Warusavitarana, A., & Dona,
K. L. (2021). Challenges and Opportunities for Learning Analytics when Using AI Models.
Computers in Human Behavior, 117, 106675. https://doi.org/10.1016/j.chb.2020.106675
Sun, Z., Wang, Y., & Liu, J. (2022). Exploring the AI Competencies of Elementary School
Teachers in China. Computers and Education: Artificial Intelligence, 3, 100064.
https://doi.org/10.1016/j.caeai.2022.100064
Montenegro Muñoz, M. E., Bernal Párraga, A. P., Vera Peralta, Y. E., Moreira Velez , K. L.,
Camacho Torres, V. L., Mejía Quiñonez, J. L., & Poveda Gavilanez, D. M. (2024). Flipped
Classroom: impacto en el rendimiento académico y la autonomía de los estudiantes. Ciencia
Latina Revista Científica Multidisciplinar, 8(3), 10083-10112.
https://doi.org/10.37811/cl_rcm.v8i3.12139
Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction. MIT Press.
https://doi.org/10.7551/mitpress/12427.001.0001
Noroozi, O., Biemans, H. J. A., & Mulder, M. (2021). Implications of AI-based adaptive learning
systems for educational practice. Computers and Education: Artificial Intelligence, 2,
100011. https://doi.org/10.1016/j.caeai.2021.100011
Papasarantou, C., Alimisis, D., & Theodoropoulos, E. (2025). The AI-enhanced DIY robotic car:
introducing the five big ideas of AI. En S. Papadakis & G. Lampropoulos (Eds.), Intelligent
Educational Robots: Toward Personalized Learning Environments (pp. 245-262). De
Gruyter. https://doi.org/10.1515/9783111352695-014
Perifanou, M., Economides, A. A., & Tsiatsos, T. (2023). Adaptive Learning Using Artificial
Intelligence in e-Learning. Education Sciences, 13(12), 1216.
https://doi.org/10.3390/educsci13121216
Renz, A., & Hilbig, R. (2021). AI-enabled adaptive learning systems: A systematic mapping of
the literature. Computers and Education: Artificial Intelligence, 2, 100017.
https://doi.org/10.1016/j.caeai.2021.100017
Romero, C., Ventura, S., & García, E. (2023). Introducing Artificial Intelligence and Machine
Learning in K12 Education to Foster 21st Century Skills: From Theory to Practice. Journal
of Educational Technology Systems, 51(2), 203-222.
https://doi.org/10.1177/00472395211063704
Romero, C., Ventura, S., & Pechenizkiy, M. (2016). Handbook of Educational Data Mining. CRC
Press. https://doi.org/10.1201/b10274
Shibani, A., Knight, S., & Shum, S. B. (2022). Educator perspectives on learning analytics in
classroom practice. Internet and Higher Education, 52, 100818.
https://doi.org/10.1016/j.iheduc.2021.100818
Spector, J. M., Ifenthaler, D., Sampson, D., Yang, L., Mukama, E., Warusavitarana, A., & Dona,
K. L. (2021). Challenges and Opportunities for Learning Analytics when Using AI Models.
Computers in Human Behavior, 117, 106675. https://doi.org/10.1016/j.chb.2020.106675
Sun, Z., Wang, Y., & Liu, J. (2022). Exploring the AI Competencies of Elementary School
Teachers in China. Computers and Education: Artificial Intelligence, 3, 100064.
https://doi.org/10.1016/j.caeai.2022.100064
Vol. 12/ Núm. 2 2025 pág. 1313
Sun, Z., Wang, Y., & Yilmaz, Y. (2022). Exploring the AI competencies of elementary school
teachers in China: A qualitative study. Computers and Education: Artificial Intelligence, 3,
100052. https://doi.org/10.1016/j.caeai.2022.100052
Van Alten, D. C. D., Phielix, C., Janssen, J., & Kester, L. (2023). Effects of self-regulated learning
prompts in a flipped history classroom. Computers & Education, 182, 104463.
https://doi.org
Xie, H., Chu, H. C., Hwang, G. J., & Wang, C. C. (2019). Trends and development in technology-
enhanced adaptive/personalized learning: A systematic review of journal publications from
2007 to 2017. Computers & Education, 140, 103599.
https://doi.org/10.1016/j.compedu.2019.103599
Yilmaz, R. M., & Yilmaz, F. G. K. (2023). Understanding the Factors Influencing AI Integration
in K-12 Education. Education and Information Technologies, 28(3), 3451-3472.
https://doi.org/10.1007/s10639-022-11045-7
Zhang, D., & Ren, Y. (2022). Application of Artificial Intelligence in Cognitive Load Analysis
Using Deep Learning. Expert Systems with Applications, 187, 115967.
https://doi.org/10.1016/j.eswa.2021.115967
Zhang, J., & Ren, Y. (2022). Adaptive algorithms in education: Mitigating cognitive load in
primary and secondary students. Computers in Human Behavior, 128, 107123.
https://doi.org/10.1016/j.chb.2021.107123
Sun, Z., Wang, Y., & Yilmaz, Y. (2022). Exploring the AI competencies of elementary school
teachers in China: A qualitative study. Computers and Education: Artificial Intelligence, 3,
100052. https://doi.org/10.1016/j.caeai.2022.100052
Van Alten, D. C. D., Phielix, C., Janssen, J., & Kester, L. (2023). Effects of self-regulated learning
prompts in a flipped history classroom. Computers & Education, 182, 104463.
https://doi.org
Xie, H., Chu, H. C., Hwang, G. J., & Wang, C. C. (2019). Trends and development in technology-
enhanced adaptive/personalized learning: A systematic review of journal publications from
2007 to 2017. Computers & Education, 140, 103599.
https://doi.org/10.1016/j.compedu.2019.103599
Yilmaz, R. M., & Yilmaz, F. G. K. (2023). Understanding the Factors Influencing AI Integration
in K-12 Education. Education and Information Technologies, 28(3), 3451-3472.
https://doi.org/10.1007/s10639-022-11045-7
Zhang, D., & Ren, Y. (2022). Application of Artificial Intelligence in Cognitive Load Analysis
Using Deep Learning. Expert Systems with Applications, 187, 115967.
https://doi.org/10.1016/j.eswa.2021.115967
Zhang, J., & Ren, Y. (2022). Adaptive algorithms in education: Mitigating cognitive load in
primary and secondary students. Computers in Human Behavior, 128, 107123.
https://doi.org/10.1016/j.chb.2021.107123