Aplicaciones de inteligencia artificial y aprendizaje automático en la personalización de la educación superior

Abstract

El documento examina la aplicación de tecnologías de inteligencia artificial (IA) y aprendizaje automático (AA) en la fragmentación del aprendizaje en la educación superior, centrándose en la personalización del ritmo de aprendizaje, el contenido y la trayectoria para satisfacer las necesidades particulares de los estudiantes. El documento investiga los sistemas de recomendación de contenido personalizado inteligente, análisis predictivo para la señalización de riesgo académico, evaluación adaptativa, generación automática de retroalimentación y tutoría inteligente. Estas tecnologías han demostrado mejorar el rendimiento académico de los estudiantes, la motivación y la efectividad institucional, especialmente cuando se integran en el marco pedagógico circundante. El documento también destaca los 'Desafíos Técnicos' tales como la calidad de los datos y la interoperabilidad con sistemas de aprendizaje heredados, así como cuestiones éticas de privacidad, sesgos algorítmicos y falta de transparencia. El papel del instructor está evolucionando hacia el de diseñadores pedagógicos y cruzadores de límites críticos, requiriendo capacitación especializada para la aplicación de tales tecnologías. El documento concluye que el uso de IA para personalizar el aprendizaje presenta una oportunidad para agregar la dimensión de empatía a los complejos desafíos de la educación superior, siempre que existan marcos de gobernanza ética y pedagógica. Las direcciones de investigación futura sugeridas incluyen el desarrollo de IA explicable, enfoques híbridos críticos y estudios longitudinales que evalúen el impacto sostenido, junto con estándares técnicos abiertos y marcos de gobernanza participativa que abarquen a todos los interesados educativos.

This paper examines the application of artificial intelligence (AI) and machine learning (ML) technologies to address the fragmentation of learning in higher education, focusing on personalizing the pace, content, and learning path to meet students' individual needs. It investigates intelligent personalized content recommendation systems, predictive analytics for academic risk signaling, adaptive assessment, automated feedback generation, and intelligent tutoring. These technologies have demonstrated improvements in student academic performance, motivation, and institutional effectiveness, particularly when integrated into the surrounding pedagogical framework. The paper also highlights technical challenges such as data quality and interoperability with legacy learning systems, as well as ethical issues related to privacy, algorithmic bias, and a lack of transparency. The role of the instructor is evolving toward that of instructional designer and critical boundary-crosser, requiring specialized training for the application of such technologies. The document concludes that the use of AI to personalize learning presents an opportunity to add the dimension of empathy to the complex challenges of higher education, provided that ethical and pedagogical governance frameworks are in place. Suggested directions for future research include the development of explainable AI, critical hybrid approaches, and longitudinal studies that assess sustained impact, along with open technical standards and participatory governance frameworks that encompass all educational stakeholders.