Artículo Científico
Space Scientific Journal of Multidisciplinary | Vol. 0
2
Núm. 0
3
Julio
–
Septiembre
202
4
| ISSN:
3091
-
183
4
www.spacesjmultidisciplinary.omeditorial.com
Impacto de la inteligencia artificial en la
personalización de la educación en línea
Impact of artificial intelligence on the personalization of
online education
Aguilar
-
Muñoz
,
José Antonio
1
;
Gaibor
-
Bifarini
,
Josue Martín
2
;
Vizcaino
-
Pusda
,
Vicente
David
3
;
Muyolema
-
Guayanlema
,
Valeria Anabel
4
.
Recibido:
16/05/2024
Aceptado:
20/06/2024
Publicado:
31/07/2024
Cita:
Aguilar
-
Muñoz, J. A., Gaibor
-
Bifarini, J. M., Vizcaino
-
Pusda, V. D., & Muyolema
-
Guayanlema,
V. A.
(2024). Impacto de la inteligencia artificial en la personalización de la educación en
línea.
Space Scientific Journal of Multidisciplinary
,
2
(3), 28
-
41.
https://doi.org/10.63618/omd/ssjm/v2/n3/33
Resumen
La presente revisión explora el impacto de la inteligencia artificial (IA) en la personalización
de la educación en línea, abordando sus aplicaciones,
beneficios y desafíos emergentes en
contextos diversos. A través de un análisis bibliográfico sistemático de estudios recientes,
se identifican herramientas clave como tutores inteligentes, sistemas de recomendación,
análisis del aprendizaje y agentes conv
ersacionales. Estas tecnologías permiten adaptar
los contenidos a las necesidades individuales, mejorando el rendimiento académico, la
motivación estudiantil, la autonomía y la participación activa. No obstante, persisten retos
vinculados a la privacidad d
e datos, el sesgo algorítmico, la transparencia y la equidad en
el acceso. El estudio concluye que, si bien la IA puede enriquecer significativamente los
entornos virtuales de aprendizaje, su uso debe estar guiado por criterios éticos,
pedagógicos, cultura
les y contextuales que garanticen una implementación responsable,
inclusiva y efectiva en escenarios educativos actuales y futuros.
Palabras clave:
inteligencia artificial; educación en línea; personalización del aprendizaje;
tutoría inteligente; analítica del aprendizaje.
Abstract
This review explores the impact of artificial intelligence (AI) on the personalization of online
education, addressing its applications, benefits and emerging challenges in diverse
contexts. Through a systematic literature review of recent studies, key too
ls such as
intelligent tutors, recommender systems, learning analytics and conversational agents are
identified. These technologies allow content to be tailored to individual needs, improving
academic performance, student motivation, autonomy and active pa
rticipation. However,
challenges related to data privacy, algorithmic bias, transparency and equity of access
remain. The study concludes that, although AI can significantly enrich virtual learning
environments, its use must be guided by ethical, pedagogic
al, cultural and contextual criteria
that guarantee a responsible, inclusive and effective implementation in current and future
educational scenarios.
Keywords:
artificial intelligence; online education; learning personalization; intelligent
tutoring; learning analytics.
1
Instituto
Tecnológico Superior Universitario Oriente
;
Ecuador
,
Orellana
;
https://orcid.org/0000
-
0002
-
6138
-
6563
;
jaguilar@itsoriente.edu.ec
2
Instituto Tecnológico Superior Universitario Oriente
;
Ecuador
;
https://orcid.org/0009
-
0005
-
5136
-
3359
;
jmgaibor@itsoriente.edu.ec
3
Instituto Tecnológico Superior Universitario Oriente
;
Ecuador
;
https://orcid.org/0009
-
0008
-
8745
-
3016
;
vdvizcaino@itsoriente.edu.ec
4
Investigador Independiente
;
Ecuador
,
Sucumbíos
;
https://orcid.org/0009
-
0000
-
1516
-
6706
;
valitachuros@gmail.com
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.0
2
| Núm.0
3
|
Julio
–
Septiembre
| 202
4
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
29
1. Introducción
La transformación digital ha reformulado profundamente la manera en que se
accede, distribuye y consume el conocimiento. En este contexto, la educación en
línea ha emergido como una
modalidad dominante y en constante evolución,
especialmente potenciada por la adopción de tecnologías emergentes como la
inteligencia artificial (IA). Esta última, al integrarse en entornos educativos virtuales,
ha demostrado un potencial considerable para
personalizar el aprendizaje,
adaptándose a los estilos, ritmos y necesidades individuales de los estudiantes
(Chen et al., 2020). Sin embargo, pese a los avances tecnológicos, persisten
desafíos significativos en la implementación efectiva de estas soluci
ones,
particularmente en relación con la equidad, la ética y la calidad del aprendizaje
personalizado. La presente revisión bibliográfica explora el impacto de la IA en la
personalización de la educación en línea, destacando tanto sus contribuciones
como s
us limitaciones, con el fin de establecer un análisis crítico y sustentado en la
evidencia científica.
El principal problema que subyace en la actual investigación educativa digital es la
falta de una integración sistemática y equitativa de herramientas basadas en IA que
respondan de forma efectiva a las diferencias individuales de los estudiantes.
Aunque l
os algoritmos inteligentes permiten identificar patrones de comportamiento,
necesidades de aprendizaje y niveles de rendimiento, no siempre se aplican con
precisión en contextos diversos, especialmente en regiones con menor acceso a
infraestructura tecnoló
gica o en instituciones con recursos limitados (Luckin
&
Holmes
, 2016). Adicionalmente, la mayoría de los modelos de personalización
desarrollados hasta el momento han sido diseñados con muestras poblacionales
homogéneas, lo cual limita su generalización y eficacia en entornos multiculturales
o multilingües (Holstein
et al., 2019). La brecha entre el potencial de la IA y su
aplicación práctica plantea interrogantes cruciales sobre la equidad y la efectividad
de estas herramientas en la educación en línea.
Diversos factores amplifican el impacto del problema. En primer lugar, la creciente
demanda de educación a distancia, acentuada por la pandemia de COVID
-
19, ha
presionado a las instituciones educativas a adoptar rápidamente tecnologías
inteligentes sin pro
cesos adecuados de validación pedagógica (Zawacki
-
Richter et
al., 2019). Esta implementación acelerada ha generado sistemas de enseñanza
altamente automatizados, pero carentes de criterios de personalización basados en
fundamentos educativos sólidos. En se
gundo lugar, existe una preocupación ética
respecto al uso de datos personales de los estudiantes, ya que los sistemas de IA
requieren información sensible para operar con eficacia, lo cual plantea dilemas
sobre la privacidad, la transparencia algorítmica
y el consentimiento informado
(Williamson & Eynon, 2020). Además, la falta de formación docente en
competencias digitales y en el uso ético de la IA representa una barrera significativa
para su integración pedagógica efectiva.
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.0
2
| Núm.0
3
|
Julio
–
Septiembre
| 202
4
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
30
En este escenario, resulta fundamental justificar la necesidad de revisar y
sistematizar el conocimiento existente sobre el uso de la inteligencia artificial en la
personalización de la educación en línea. Esta revisión se justifica, en primer lugar,
por l
a necesidad de identificar buenas prácticas, oportunidades y limitaciones en el
uso de la IA con fines pedagógicos. Asimismo, permite reconocer los vacíos en la
literatura científica que deben abordarse mediante investigaciones futuras
orientadas al diseño
de modelos inclusivos y adaptativos. En cuanto a la viabilidad,
el estudio se sustenta en el creciente corpus de investigaciones disponibles en
bases de datos académicas reconocidas como Scopus y Web of Science, lo cual
facilita el acceso a fuentes primar
ias y de alta calidad metodológica. De igual modo,
el carácter bibliográfico del estudio permite un análisis exhaustivo sin requerir
recursos logísticos o tecnológicos complejos, lo que asegura su factibilidad en
términos
de tiempo y recursos académicos
(C
ajamarca
-
Correa et al., 2024).
El objetivo de este artículo de revisión es analizar de manera crítica el impacto de
la inteligencia artificial en la personalización de la educación en línea, con base en
la literatura científica más reciente, enfocándose en las aplicaciones prácticas, lo
s
beneficios reportados, las limitaciones identificadas y las implicaciones éticas que
emergen de su implementación. A través de una revisión estructurada de
investigaciones indexadas en Scopus y Web of Science, se busca sintetizar el
conocimiento acumulad
o en este campo, proporcionando una visión integral que
contribuya tanto al debate académico como a la mejora de las prácticas educativas
en entornos digitales.
En conclusión, la incorporación de la inteligencia artificial en la educación en línea
representa una oportunidad sin precedentes para transformar el aprendizaje
personalizado. No obstante, su aplicación conlleva desafíos técnicos, pedagógicos
y éticos que
deben ser abordados desde un enfoque crítico, interdisciplinario y
basado en evidencia. Este artículo se propone contribuir a este debate, aportando
una revisión sistemática de los hallazgos científicos actuales y planteando
directrices para futuras inves
tigaciones que busquen optimizar la personalización
educativa mediante tecnologías inteligentes.
2. Materiales y Métodos
La presente investigación se desarrolló bajo un enfoque exploratorio con un diseño
metodológico basado en la revisión bibliográfica sistemática. Esta modalidad resulta
idónea para identificar, analizar y sintetizar el estado del arte en torno al impacto de
la inteligencia artificial en la personalización de la educación en línea, dado que
permite recopilar información relevante, contrastar hallazgos, y detectar vacíos o
controversias existentes en la literatura científica actual. El estudio se estructuró
me
diante una estrategia rigurosa de búsqueda, selección y análisis de fuentes
secundarias provenientes de bases de datos académicas reconocidas
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.0
2
| Núm.0
3
|
Julio
–
Septiembre
| 202
4
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
31
internacionalmente por su alto nivel de indexación, tales como Scopus y Web of
Science (WoS).
El proceso de recopilación de información se llevó a cabo entre febrero y abril de
2025. Se utilizaron combinaciones de palabras clave en inglés y español, tales como
“artificial intelligence”, “online education”, “personalized learning”, “adaptive
learnin
g”, “inteligencia artificial”, “educación en línea” y “aprendizaje personalizado”.
La búsqueda fue filtrada por publicaciones científicas revisadas por pares,
publicadas entre los años 2015 y 2025, con el objetivo de garantizar la actualidad y
pertinencia
de los estudios seleccionados. Se incluyeron artículos de revisión,
estudios de caso, investigaciones empíricas y metaanálisis que abordaran
explícitamente la relación entre inteligencia artificial y personalización en contextos
educativos virtuales.
Los criterios de inclusión fueron: pertinencia temática, calidad metodológica según
el enfoque del estudio original, publicación en revistas indexadas, disponibilidad del
texto completo y relevancia para los objetivos de esta investigación. Por otro lado,
se excluyeron documentos duplicados, literatura gris, artículos con sesgos
evidentes no justificados, y aquellos que abordaran tecnologías educativas sin un
componente claro de inteligencia artificial.
Una vez seleccionadas las fuentes, se realizó una lectura analítica para extraer la
información clave de cada documento. Se organizó la información en matrices
temáticas que permitieron clasificar los estudios según su objetivo, metodología,
resultados pri
ncipales, contribuciones y limitaciones. Este procedimiento facilitó la
identificación de patrones recurrentes, contradicciones conceptuales y avances en
el campo, a fin de construir una narrativa crítica, coherente y sustentada en la
evidencia científica
más actual.
El análisis de la información se llevó a cabo de forma cualitativa, priorizando la
interpretación de hallazgos y su contextualización dentro del marco teórico general
de la educación personalizada asistida por inteligencia artificial. A partir de este
anál
isis, se estructuraron los resultados del estudio en torno a los principales ejes
temáticos identificados: aplicaciones tecnológicas, eficacia en la personalización del
aprendizaje, desafíos éticos, brechas en la implementación y proyecciones futuras.
La metodología adoptada garantiza la transparencia del proceso investigativo, la
trazabilidad de las fuentes y la validez de las interpretaciones realizadas,
permitiendo así ofrecer una visión crítica e integral sobre el fenómeno estudiado.
Esta estrategia
metodológica también posibilita la replicabilidad del estudio por parte
de otros investigadores interesados en profundizar sobre la interacción entre
tecnologías inteligentes y procesos educativos personalizados en línea.
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.0
2
| Núm.0
3
|
Julio
–
Septiembre
| 202
4
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
32
3. Resultados
3.1. Aplicaciones de la inteligencia artificial en la educación en línea
personalizada
La inteligencia artificial (IA) ha emergido como un catalizador de transformación en
los modelos educativos digitales, no solo automatizando procesos, sino también
promoviendo nuevas formas de aprendizaje personalizado. La capacidad de la IA
para analizar
grandes volúmenes de datos, modelar el comportamiento humano y
tomar decisiones autónomas permite configurar entornos de aprendizaje sensibles
al contexto y adaptativos a las diferencias individuales. Este proceso de
personalización se materializa a través
de diversas aplicaciones tecnológicas, entre
las cuales destacan: los sistemas de tutoría inteligente, los recomendadores de
contenidos personalizados, el análisis del aprendizaje y los agentes
conversacionales. Cada una de estas herramientas representa u
n componente
estratégico en la evolución de la educación en línea hacia modelos más flexibles,
inclusiv
os y centrados en el estudiante
(Cajamarca
-
Correa et al., 2024).
3.1.1. Sistemas de tutoría inteligente
Los sistemas de tutoría inteligente (ITS, por sus siglas en inglés) constituyen una de
las aplicaciones más representativas de la IA en contextos educativos. Estos
sistemas emulan la función del tutor humano mediante algoritmos que detectan el
nivel de con
ocimiento del estudiante, diagnostican errores conceptuales y adaptan
la instrucción en tiempo real. El objetivo pedagógico de los ITS es maximizar la
eficiencia del proceso de aprendizaje ajustando el contenido y la estrategia didáctica
al perfil cognitiv
o del usuario (Chen et al., 2020).
Desde el punto de vista técnico, los ITS se estructuran sobre cuatro componentes
esenciales: (1) el modelo del estudiante, que almacena información sobre
conocimientos, habilidades y estilos de aprendizaje; (2) el modelo del dominio, que
representa los con
tenidos a enseñar; (3) el modelo pedagógico, que define las
reglas de enseñanza adaptativa; y (4) la interfaz de comunicación, que gestiona la
interacción con el usuario (Nkambou, Bourdeau, & Mizoguchi, 2010). Estas
arquitecturas han sido aplicadas con éxi
to en plataformas como Cognitive Tutor,
AutoTutor y ALEKS, mostrando efectos positivos en la mejora del rendimiento
académico, la retención del conocimiento y la autorregulación del aprendizaje
(
VanLehn, 2011; Pane et al., 2016
).
La efectividad de estos sistemas se ha documentado particularmente en áreas como
matemáticas, ciencias exactas y lenguas extranjeras. Por ejemplo, el sistema
AutoTutor ha demostrado mejoras significativas en la comprensión lectora y
argumentativa al emplea
r estrategias de diálogo socrático mediad
as por IA
(Graesser et al., 2005
). No obstante, los ITS enfrentan limitaciones relacionadas con
la escalabilidad, la transferencia a contextos educativos diversos, y la falta de
inclusión de variables afectivas y me
tacognitivas en sus modelos de
personalización.
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.0
2
| Núm.0
3
|
Julio
–
Septiembre
| 202
4
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
33
3.1.2. Recomendadores de contenidos personalizados
Los sistemas de recomendación en educación constituyen una evolución de los
modelos tradicionales de acceso a contenidos, al permitir una entrega selectiva y
estratégica de recursos educativos en función de las características específicas de
cada usuario.
Basados en técnicas de filtrado colaborativo, contenido basado y
aprendizaje automático, estos sistemas analizan patrones de uso, preferencias y
desempeño académico para generar sugerencias de lecturas, actividades o cursos
alineados con los intereses y ne
cesidades del est
udiante (Manouselis et al., 2013
).
En el entorno educativo, su objetivo no es simplemente facilitar la navegación, sino
promover trayectorias de aprendizaje individualizadas, lo cual resulta especialmente
valioso en contextos de educación abierta y masiva como los MOOC (Massive Open
Online
Courses). Investigaciones recientes han evidenciado que estos sistemas
aumentan la motivación y la participación activa del estudiante, al presentarle
recursos que percibe como pertinentes y signi
ficativos (
Chen et al., 2020).
Además de mejorar la experiencia de usuario, los recomendadores personalizados
fomentan la autonomía, el pensamiento crítico y la capacidad de autorregulación, al
empoderar al estudiante en la gestión de su propio aprendizaje. Sin embargo, su
implementació
n no está exenta de desafíos, especialmente en lo referente al sesgo
algorítmico, la falta de transparencia en los criterios de recomendación y la posible
reproducción de hábitos de estudio poco efectivos si los sistemas no están bien
c
alibrados
.
3.1.3. Análisis del aprendizaje (Learning Analytics)
El análisis del aprendizaje o
learning analytics
constituye un campo interdisciplinar
que integra estadística, minería de datos, inteligencia artificial y teoría educativa con
el objetivo de comprender y optimizar los procesos de enseñanza y aprendizaje.
Mediante el procesamiento y visualización de dato
s generados por los estudiantes
en entornos virtuales, se pueden identificar patrones de comportamiento, predecir
el rendimiento académico y personalizar intervenciones educativas (
Long
&
Siemens
, 2011).
Los sistemas de
learning analytics
han sido implementados con éxito en
instituciones de educación superior para monitorizar el progreso de los estudiantes,
evaluar la eficacia de los cursos y tomar decisiones informadas sobre el diseño
curricular. Herramientas como dashboards inteligentes
permiten a docentes y
administradores observar en tiempo real variables clave como la participación, la
frecuencia de acceso, la resolución de actividades y la interacción con recursos
(Ifenthaler
et al., 2019
).
Además, se han desarrollado modelos predictivos que alertan sobre riesgos de
deserción, permitiendo una acción temprana por parte de tutores y orientadores. Sin
embargo, uno de los principales desafíos de esta aplicación es la interpretación
pedagógica de
los datos: la sobredependencia en métricas cuantitativas puede
conducir a diagnósticos simplistas si no se contextualizan adecuadamente
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.0
2
| Núm.0
3
|
Julio
–
Septiembre
| 202
4
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
34
(Ferguson, 2012). Asimismo, los dilemas éticos relativos a la privacidad de los datos,
la vigilancia algorítmica y la autonomía del estudiante continúan siendo objeto de
debate.
3.1.4. Agentes conversacionales (chatbots)
Los agentes conversacionales, comúnmente conocidos como chatbots, representan
una de las aplicaciones más recientes y prometedoras de la inteligencia artificial en
educación. Estos sistemas interactúan con los estudiantes mediante lenguaje
natural, simulan
do conversaciones humanas que pueden tener propósitos
informativos, motivacionales o instructivos. El uso de técnicas de procesamiento de
lenguaje natural (PLN) y aprendizaje profundo ha permitido que estos agentes
evolucionen desde simples scripts hasta a
sistentes conversacionales altamente
contextuales y respo
nsivos
(Terrazo
-
Luna et al., 2023), en la figura 1 se demuestra
como l
os chatbots educativos evolucionan mediante un proceso cíclico de
interacción, análisis y mejora contextual
.
Figura 1
Ciclo Inteligente de
c
hatbots en la
e
ducación
Nota:
La imagen representa las fases clave en el desarrollo de chatbots aplicados a la educación,
desde la interacción con los estudiantes hasta el uso de procesamiento del lenguaje natural (PLN),
resaltando su potencial para personal
izar y optimizar el aprendizaje (Autores, 2024).
En el ámbito educativo, los chatbots
se utilizan para proporcionar retroalimentación
inmediata, resolver dudas frecuentes, orientar la navegación por plataformas de
aprendizaje y fomentar la participación en actividades asincrónicas. Estudio
s
han
demostrado que los agentes conversacionales mejoran la experiencia del
estudiante al proporcionar un canal de comunicación constante, accesible y
personalizado, especialmente en cursos masivos donde la interac
ción humana
directa es limitada
(Cajamarca
-
Correa et al., 2024).
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.0
2
| Núm.0
3
|
Julio
–
Septiembre
| 202
4
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
35
Además, estos sistemas han sido diseñados con funciones emocionales,
reconociendo el estado anímico del estudiante e interviniendo con estrategias de
acompañamiento empático. Esta capacidad para ofrecer soporte afectivo ha sido
valorada positivamente por l
os usuarios, quienes reportan una mayor sensación de
acompañamiento y p
ertenencia
. No obstante, el entrenamiento de modelos
lingüísticos eficaces requiere grandes volúmenes de datos de calidad, y aún existen
limitaciones en la comprensión semántica, el man
ejo de ambigüedades lingüísticas
y la detección de ironía o sarcasmo.
3.2. Beneficios de la inteligencia artificial en la personalización educativa
La implementación de inteligencia artificial (IA) en los entornos virtuales de
aprendizaje ha introducido un paradigma centrado en la adaptabilidad, la
interactividad y la automatización de procesos instruccionales. Al introducir
algoritmos capaces de mode
lar el comportamiento del estudiante, identificar
patrones de aprendizaje y personalizar la entrega de contenidos, la IA permite
intervenir en dimensiones clave del proceso educativo. Entre los beneficios más
significativos reportados por la literatura cie
ntífica destacan la mejora del
rendimiento académico y el aumento de la motivación y el compromiso estudiantil.
Ambos factores se consideran determinantes no solo para la eficacia del
aprendizaje, sino también para la sostenibilidad de los modelos de
educación digital
a gran escala
(Terrazo
-
Luna et al., 2023).
3.2.1. Mejora del rendimiento académico
Numerosas investigaciones empíricas han documentado que los entornos
educativos mediados por IA, especialmente aquellos que integran sistemas
adaptativos y tutores inteligentes, contribuyen significativamente a la mejora del
rendimiento académico de los es
tudiantes. Esta mejora se produce como resultado
de la personalización de los itinerarios de aprendizaje, la retroalimentación
inmediata y el seguimiento individualizado del progreso del estudiante.
En un metaanálisis realizado por Kulik y Fletcher (2016), se analizaron 50 estudios
sobre la efectividad de los sistemas de tutoría inteligente y se concluyó que los
estudiantes que aprendían con estos sistemas obtenían mejores resultados en
pruebas estand
arizadas que aquellos que recibían enseñanza tradicional o que
utilizaban plataformas digitales sin IA. Del mismo modo, VanLehn (2011) demostró
que los ITS tienen un impacto comparable al de la tutoría humana uno a uno,
reduciendo significativamente la bre
cha de desempeño en áreas críticas como
matemáticas y ciencias.
Un aspecto central de esta mejora es la capacidad de los sistemas basados en IA
para ajustar dinámicamente el nivel de dificultad de los contenidos, adaptando el
ritmo de instrucción según el rendimiento y la tasa de aciertos del estudiante. Este
enfoque d
iferenciado resulta especialmente beneficioso para estudiantes con bajo
rendimiento, quienes tradicionalmente no se benefician de los modelos de
enseñanza estandarizados. Por ejemplo, un estudio realizado con el sistema de
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.0
2
| Núm.0
3
|
Julio
–
Septiembre
| 202
4
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
36
tutoría
Cognitive Tutor
en el ámbito del álgebra demostró que los estudiantes que
utilizaron la herramienta superaron significativamente a sus pares en pruebas de
evaluación formati
va y sumativa (Pane et al., 2016
).
Además, el acceso a analíticas de aprendizaje permite tanto a docentes como a
estudiantes tomar decisiones informadas sobre el proceso educativo, lo cual
refuerza la metacognición y la autoevaluación, aspectos clave para el éxito
académico. En este sentido
, el aprendizaje personalizado asistido por IA no solo
optimiza los resultados en términos cuantitativos, sino que también fortalece
competencias cognitivas de orden superior, como la autorregulación y la autonomía
(Ifenthaler
et al., 2019
).
3.2.2. Aumento de la motivación y compromiso
El impacto de la inteligencia artificial en la motivación y el compromiso del estudiante
ha sido objeto de creciente interés en los últimos años, particularmente en el marco
de la educación en línea, donde la deserción y el desinterés constituyen desafíos
estructurales. La literatura especializada señala que los entornos personalizados
por IA ofrecen experiencias de aprendizaje más relevantes, dinámicas y atractivas,
lo que contribuye a una mayor implicación emocional, cognitiva y conductual del
estudiante
(Zawacki
-
Richter et al., 2019).
Figura 2
Impulsando la
motivación y el compromiso estudiantil con inteligencia artificial
Nota:
La imagen muestra cómo la IA puede revertir la baja motivación en entornos virtuales,
promoviendo aprendizajes personalizados, desafíos intelectuales y una participación más activa a
tr
avés de estrategias adaptativas (Autores, 2024).
Diversas investigaciones han demostrado que el uso de agentes conversacionales,
sistemas de recomendación y entornos adaptativos potencia la motivación
intrínseca, al ofrecer retos apropiados al nivel del estudiante, contenidos
contextualizados a sus inter
eses y una sensación de control sobre el proceso de
aprendizaje.
Asimismo, los sistemas de IA pueden integrar elementos de gamificación,
retroalimentación instantánea y reconocimiento de logros, lo cual contribuye a
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.0
2
| Núm.0
3
|
Julio
–
Septiembre
| 202
4
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
37
fortalecer la motivación extrínseca. Este tipo de estímulos, si se aplican de manera
equilibrada, refuerzan la permanencia y el compromiso activo en las plataformas de
aprendizaje digital, lo que resulta crucial para mitigar la tasa de abandono en
programa
s de educación v
irtual
(Ifenthaler et al., 2019).
Otro factor determinante en la motivación es la percepción de apoyo y
acompañamiento, especialmente en entornos asincrónicos. La implementación de
chatbots empáticos, capaces de interactuar con lenguaje natural y responder a las
inquietudes del estudiante,
genera una sensación de presencia social que
amortigua el aislamiento característico de la educación en línea.
En conjunto, los beneficios motivacionales de la IA en contextos educativos digitales
no se limitan a la mejora de indicadores conductuales (como el tiempo de conexión
o el número de actividades realizadas), sino que también inciden en dimensiones
profunda
s de la experiencia de aprendizaje, incluyendo la autoconfianza, la
satisfacción y la construcción de sentido.
4. Discusión
La integración de la inteligencia artificial (IA) en la educación en línea personalizada
constituye una de las transformaciones más relevantes del paradigma pedagógico
contemporáneo. El análisis de la
literatura científica permite identificar avances
sustantivos en la forma en que los entornos digitales adaptan su funcionamiento a
las particularidades cognitivas, conductuales y emocionales del estudiante. No
obstante, aunque los beneficios derivados de
esta integración han sido ampliamente
documentados, también emergen desafíos epistemológicos, técnicos y éticos que
requieren una reflexión crítica y una evaluación multidimensional. La presente
discusión aborda, a partir de una síntesis interpretativa de
los hallazgos revisados,
las implicaciones de las aplicaciones de la IA en la educación personalizada y sus
efectos sobre el rendimiento académico, la motivación
y el compromiso del
estudiante
(Terrazo
-
Luna et al., 2023).
En primer lugar, los sistemas de tutoría inteligente han demostrado una eficacia
considerable en la mejora del desempeño académico, equiparable e incluso
superior a la tutoría humana en ciertos contextos disciplinarios. Como ha sido
evidenciado por VanLehn
(2011), estos sistemas no solo permiten adaptar el ritmo
y la complejidad de los contenidos, sino que también promueven un aprendizaje
más profundo a través de estrategias didácticas personalizadas y retroalimentación
inmediata. Sin embargo, su implementa
ción masiva sigue limitada por factores
como la escasa escalabilidad, la dificultad de transferir modelos a dominios no
estructurados y la ausencia de sensibilidad cultural en sus algoritmos. La
generalización de los sistemas de tutoría inteligente, por ta
nto, demanda no solo
innovación técnica, sino también una revisión de los marcos pedagógicos que
orientan su diseño e integración.
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.0
2
| Núm.0
3
|
Julio
–
Septiembre
| 202
4
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
38
Los sistemas de recomendación de contenidos, por su parte, han representado un
avance sustantivo en el desarrollo de trayectorias de aprendizaje autónomas y
adaptativas. A través del análisis de grandes volúmenes de datos, estos sistemas
permiten entregar
materiales que se ajustan a las necesidades e intereses
particulares de cada usuario. Sin embargo, esta aparente neutralidad algorítmica
oculta tensiones subyacentes vinculadas al sesgo de recomendación, la
transparencia de los criterios utilizados y el ri
esgo de construir burbujas de
contenido que limiten la exposición a nuevas perspectivas. En consecuencia, se
requiere una vigilancia crítica y una incorporación deliberada de principios de
diversidad epistemológica en los sistemas de recomendación educativ
a, con el
objetivo de garantizar un aprendiza
je auténtico y multidimensional (Pane et al.,
2016).
En cuanto al análisis del aprendizaje (
learning analytics
), su potencial como
herramienta diagnóstica ha sido ampliamente validado. El seguimiento en tiempo
real del comportamiento del estudiante, su desempeño y su interacción con los
recursos digitales permite identificar patrones, predecir riesgos de abandono
y
orientar intervenciones pedagógicas tempranas (Ifenthaler
et al., 2019
). No
obstante, el predominio de modelos cuantitativos puede derivar en interpretaciones
reduccionistas si no se complementan c
on enfoques cualitativos que consideren la
dimensión subjetiva del aprendizaje. Además, la acumulación masiva de datos
personales plantea serias implicancias éticas respecto a la privacidad, el
consentimiento informado y el uso secundario de la información
(Ferguson, 2012).
Es imperativo, por tanto, establecer marcos normativos robustos que regulen la
recolección y análisis de datos en contextos educativos, garantizando el respeto a
los derechos de los estudiantes y la integridad del proceso formativo.
La incorporación de agentes conversacionales o
chatbots
en las plataformas de
aprendizaje ha revelado una nueva forma de mediación pedagógica, caracterizada
por la inmediatez, la accesibilidad y la interacción en lenguaje natural.
Investigaciones recientes han demostrado que estos agentes no solo cumplen
funci
ones informativas, sino que también pueden desempeñar roles motivacionales
y afectivos que incrementan el compromiso del
estudiante
. La empatía artificial y el
reconocimiento emocional emergen así como
nuevas dimensiones de la experiencia
educativa digital, lo cual amplía las fronteras tradicionales del acompañamiento
docente. Sin embargo, la efectividad de estos sistemas depende de su capacidad
de contextualización, comprensión semántica y adecuación c
ultural, aspectos que
aún presentan limitaciones significativas. La construcción de agentes
verdaderamente empáticos exige no solo avances en el procesamiento del lenguaje
natural, sino también una reflexión ética sobre la delegación de funciones
tradicion
almente h
umanas a entidades artificiales
(Cajamarca
-
Correa et al., 2024).
En relación con los beneficios reportados, tanto en términos de rendimiento
académico como de motivación y compromiso, la evidencia es contundente.
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.0
2
| Núm.0
3
|
Julio
–
Septiembre
| 202
4
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
39
Diversos estudios confirman que la personalización asistida por IA incrementa la
retención de conocimientos, reduce la deserción y fortalece la autoconfianza del
estudiante (Kulik & Fletcher, 2016; Zawacki
-
Richter et al., 2019). No obstante, es
fundamental
problematizar estos hallazgos desde una perspectiva crítica que
considere no solo los logros instrumentales, sino también las implicaciones
ontológicas de sustituir la interacción humana por sistemas automatizados. El riesgo
de deshumanización del proceso
educativo es latente, especialmente cuando las
tecnologías se implementan sin una reflexión profunda sobre su impacto en la
subjetividad, la agencia y la construcción del conocimiento.
En síntesis, la inteligencia artificial ofrece oportunidades sin precedentes para
transformar la educación en línea hacia modelos más inclusivos, flexibles y
centrados en el estudiante. Sin embargo, dicha transformación no puede asumirse
como una solución
tecnocrática neutra. Requiere una gobernanza ética, una sólida
formación docente, la inclusión de voces estudiantiles en el diseño de tecnologías,
y una epistemología crítica que interrogue los supuestos sobre los que se
construyen los algoritmos. Solo baj
o estas condiciones será posible aprovechar el
potencial de la IA para enriquecer, y no empobrecer, la experiencia educativa en el
contexto digital.
5. Conclusiones
La presente revisión ha permitido establecer que la inteligencia artificial desempeña
un papel determinante en la evolución de la educación en línea hacia modelos más
personalizados, adaptativos y centrados en el estudiante. A través de aplicaciones
como l
os sistemas de tutoría inteligente, los algoritmos de recomendación, el
análisis del aprendizaje y los agentes conversacionales, la IA ofrece nuevas
posibilidades para responder a las necesidades individuales, optimizar los procesos
de enseñanza
-
aprendizaj
e y fortalecer el acompañamiento educativo en entornos
virtuales.
Uno de los hallazgos más relevantes es que la implementación de estas tecnologías
puede traducirse en mejoras significativas en el rendimiento académico, al permitir
una instrucción diferenciada que se ajusta en tiempo real al nivel y ritmo del
estudiante.
Asimismo, se evidencia un impacto positivo en la motivación y el
compromiso estudiantil, factores cruciales para la retención y la continuidad en
programas de educación a distancia, especialmente en contextos caracterizados
por altas tasas de abandono.
No obstante, la integración de inteligencia artificial en la educación no está exenta
de desafíos. Persisten limitaciones técnicas relacionadas con la adaptabilidad
contextual de los algoritmos, así como retos éticos vinculados a la privacidad de los
datos
, la transparencia en los procesos de personalización y la equidad en el acceso
a estas tecnologías. Estos aspectos requieren atención prioritaria para evitar que la
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.0
2
| Núm.0
3
|
Julio
–
Septiembre
| 202
4
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
40
innovación tecnológica profundice brechas existentes o desplace el componente
humano esencial en la formación integral del estudiante.
En síntesis, la IA representa una herramienta de alto potencial para transformar la
educación en línea, pero su aplicación debe estar orientada por principios
pedagógicos sólidos, una gobernanza ética clara y una participación activa de
docentes y estudian
tes en el diseño e implementación de estas soluciones. Solo
bajo estas condiciones será posible consolidar entornos digitales que no solo sean
técnicamente eficaces, sino también humanamente significativos.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Barahona
-
Martínez, G. E., Gallardo
-
Chiluisa, N. N., Quisaguano
-
Caiza, Y. E.,
Jiménez
-
Rivas, D. E., Caicedo
-
Basurto, R. L., Guanotuña
-
Yaulema, J. A.,
Flores
-
Cruz, P. L., & Guevara
-
Hernández, D. M. (2024). I
nteligencia Artificial
en la Educación Avances y Desafíos Multidisciplinarios.
Editorial Grupo AEA.
https://doi.org/10.55813/egaea.l.101
Berrios Galvez, A. G. R., Galvez
-
Alvarez, A., Berrios
-
Zevallos, A. A., Zapata
-
Mendoza, P. C. O., Atto
-
Coba, S. R., Zapata Cardoza, B. J., & Berrio
-
Tauccaya, O. J. (2024).
La educación virtual y la procrastinación académica.
“Bajo la percepción de estudiantes de una universidad privada del Perú”
.
Editorial Grupo AEA.
https://doi.org/10.55813/egaea.l.102
Cajamarca
-
Correa, M. A., Cangas
-
Cadena, A. L., Sánchez
-
Simbaña, S. E., & Pérez
-
Guillermo, A. G. (2024). Nuevas tendencias en el uso de recursos y
herramientas de la Tecnología Educativa para la Educación Universitaria
.
Journal of Economic and Social Science Research,
4(3), 127
–
150.
https://doi.org/10.55813/gaea/jessr/v4/n3/124
Chen, L., Chen, P., & Lin, Z. (2020). Artificial intelligence in education: A review. IEEE
Access, 8, 75264
–
75278.
https://doi.org/10.1109/ACCESS.2020.2988510
Ferguson, R. (2012). The State of Learning Analytics in 2012: A Review and Future
Challenges.
Technical Report KMI
-
12
-
01
, Knowledge Media Institute, The
Open University.
https://kmi.open.ac.uk/publications/pdf/kmi
-
12
-
01.pdf
Graesser, A. C., McNamara, D. S., & VanLehn, K. (2005).
Scaffolding Deep
Comprehension Strategies Through Point&Query, AutoTutor, and
iSTART.
Educational Psychologist
,
40
(4), 225
–
234.
https://doi.org/10.1207/s15326985ep4004_4
Herrera
-
Enríquez, G., Herrera
-
Sánchez, M., Casanova
-
Villalba, C., Puyol
-
Cortez, J.,
Mendoza
-
Armijos, H, (2021).
Manual para Elaboración del Plan de Titulación
como Conclusión de Carrera
. Editorial Grupo Compás.
Space Scientific Journal of Multidisciplinary
Space Scientific Journal of Multidisciplinary
Vol.0
2
| Núm.0
3
|
Julio
–
Septiembre
| 202
4
www.spacesjmultidisciplinary.omeditorial.com
Artículo Científico
41
Holstein, K., McLaren, B. M., & Aleven, V. (2019). Co
-
Designing a Real
-
Time
Classroom Orchestration Tool to Support Teacher
–
AI Complementarity.
Journal of Learning Analytics, 6(2), 27
–
52.
https://doi.org/10.18608/jla.2019.62.3
Ifenthaler, D., Mah, DK., Yau, J.YK. (2019). Utilising Learning Analytics for Study
Success: Reflections on Current Empirical Findings. In: Ifenthaler, D., Mah,
DK., Yau, J.YK. (eds) Utilizing Learning Analytics to Support Study Success.
Springer, Cham.
https://doi.org/10.1007/978
-
3
-
319
-
64792
-
0_2
Kulik, J. A., & Fletcher, J. D. (2016). Effectiveness of Intelligent Tutoring Systems: A
Meta
-
Analytic Review.
Review of Educational Research
,
86
(1), 42
–
78.
https://doi.org/10.3102/0034654315581420
Long, P., & Siemens, G. (2011). Penetrating the fog: Analytics in learning and
education.
EDUCAUSE Review
,
46
(5), 30
–
40.
https://er.educause.edu/articles/2011/9/penetrating
-
the
-
fog
-
analytics
-
in
-
learning
-
and
-
education
Luckin, R., & Holmes, W. (2016). Intelligence Unleashed: An argument for AI in
Education. UCL Knowledge Lab.
https://discovery.ucl.ac.uk/id/eprint/1475756
Manouselis, N., Drachsler, H., Verbert, K., & Duval, E. (2013).
Recommender
systems for learning
. Springer.
https://doi.org/10.1007/978
-
1
-
4614
-
4361
-
2
Nkambou, R., Bourdeau, J., & Mizoguchi, R. (Eds.). (2010).
Advances in intelligent
tutoring systems
. Springer.
https://doi.org/10.1007/978
-
3
-
642
-
14363
-
2
Pane, J. F., Griffin, B. A., McCaffrey, D. F., & Karam, R. (2016). Effectiveness of
Cognitive Tutor Algebra I at Scale.
Educational Evaluation and Policy
Analysis
,
36
(2), 127
-
144.
https://doi.org/10.3102/0162373713507480
Terrazo
-
Luna, E. G., Riveros
-
Anccasi, D., Torres
-
Acevedo, C. L., Rojas
-
Quispe, A.
E., Cencho Pari, A., Coronel
-
Capani, J., & Yaulilahua
-
Huacho, R. (2023).
Habilidades Perceptivas: Mejorando el Aprendizaje Remoto en Estudiantes
de 5 años.
Editorial Grupo AEA.
https://doi.org/10.55813/egaea.l.2022.30
VanLEHN, K. (2011).
The Relative Effectiveness of Human Tutoring, Intelligent
Tutoring Systems, and Other Tutoring Systems.
Educational
Psychologist
,
46
(4), 197
–
221.
https://doi.org/10.1080/00461520.2011.611369
Williamson, B., & Eynon, R. (2020). Historical threads, missing links, and future
directions in AI in education. Learning, Media and Technology, 45(3), 223
–
235.
https://doi.org/10.1080/17439884.2020.1798995
Zawacki
-
Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic
review of research on artificial intelligence applications in higher education
–
where are the educators? International Journal of Educational Technology in
Higher Education,
16(1), 39.
https://doi.org/10.1186/s41239
-
019
-
0171
-
0