Modelos híbridos inteligentes para el aprendizaje personalizado en la educación superior
Palabras clave:
aprendizaje personalizado, educación superior, modelos híbridos inteligentes, rutas de aprendizaje, sistemas de alerta tempranaSinopsis
Esta investigación aborda la necesidad de gestionar la diversidad estudiantil y las trayectorias académicas en la educación superior mediante la personalización del aprendizaje, superando los riesgos del reduccionismo algorítmico y la automatización descontextualizada que despersonalizan el proceso formativo. Mediante un enfoque de diseño instruccional aplicado y una revisión sistémica de la literatura técnica, se propone y fundamenta la arquitectura de un modelo híbrido inteligente que articula e integra de forma coherente fuentes de datos analíticos masivos procedentes de sistemas de gestión del aprendizaje (LMS), ontologías educativas, reglas pedagógicas explícitas y algoritmos de aprendizaje automático. Los resultados conceptuales demuestran que el desarrollo e implementación de entornos adaptativos y tutores inteligentes permiten modelar perfiles dinámicos de los estudiantes y estructurar rutas de aprendizaje flexibles que se ajustan de manera continua según sus niveles de logro. En este contexto, se logró diseñar sistemas de alerta temprana altamente eficientes basados en minería de datos que identifican oportunamente señales de riesgo académico y vulnerabilidad para mitigar significativamente el abandono y potenciar la retención institucional. Se concluye que la efectividad real de los modelos híbridos inteligentes no se limita a su precisión métrica o predictiva, sino que radica sustancialmente en la mediación docente activa, transparencia algorítmica, explicabilidad de las decisiones y una gobernanza ética e institucional de la información. La personalización tecnológica adquiere viabilidad y valor social únicamente cuando se consolida como un soporte orientado a fortalecer la equidad, inclusión y toma de decisiones humanas informadas dentro del ecosistema universitario.
Core
Descargas
Los datos de descarga aún no están disponibles.
Referencias
E. Du Plooy, D. Casteleijn, y D. Franzsen, “Personalized adaptive learning in higher education: A scoping review of key characteristics and impact on academic performance and engagement”, Heliyon, vol. 10, núm. 21, p. e39630, nov. 2024, doi: https://doi.org/10.1016/j.heliyon.2024.e39630.
J. Ning, Z. Ma, J. Yao, Q. Wang, y B. Zhang, “Personalized learning supported by learning analytics: a systematic review of functions, pathways, and educational outcomes”, Interact. Learn. Environ., vol. 33, núm. 8, pp. 5042–5064, sep. 2025, doi: https://doi.org/10.1080/10494820.2025.2478437.
C. D. Kloos et al., “H2O Learn - Hybrid and Human-Oriented Learning: Trustworthy and Human-Centered Learning Analytics (TaHCLA) for Hybrid Education”, en 2022 IEEE Global Engineering Education Conference (EDUCON), Tunis, Tunisia: IEEE, mar. 2022, pp. 94–101. doi: https://doi.org/10.1109/EDUCON52537.2022.9766770.
B. A. Chaushi, B. Selimi, A. Chaushi, y M. Apostolova, “Explainable Artificial Intelligence in Education: A Comprehensive Review”, en Explainable Artificial Intelligence, vol. 1902, L. Longo, Ed., en Communications in Computer and Information Science, vol. 1902. , Cham: Springer Nature Switzerland, 2023, pp. 48–71. doi: https://doi.org/10.1007/978-3-031-44067-0_3.
I. Yuyun y D. Suherdi, “Components and Strategies for Personalized Learning in Higher Education: A Systematic Review”, en Proceedings of the 20th AsiaTEFL-68th TEFLIN-5th iNELTAL Conference (ASIATEFL 2022), vol. 749, U. Widiati, M. Hidayati, N. Suryati, Suharyadi, A. N. Wulyani, I. L. Damayanti, N. A. Drajati, S. Karmina, E. L. Zen, L. Hakim, y Prihantoro, Eds., en Advances in Social Science, Education and Humanities Research, vol. 749. , Paris: Atlantis Press SARL, 2023, pp. 271–290. doi: https://doi.org/10.2991/978-2-38476-054-1_23.
M. A. Chatti y A. Muslim, “The PERLA Framework: Blending Personalization and Learning Analytics”, Int. Rev. Res. Open Distrib. Learn., vol. 20, núm. 1, feb. 2019, doi: https://doi.org/10.19173/irrodl.v20i1.3936.
W. Villegas-Ch y J. García-Ortiz, “Enhancing Learning Personalization in Educational Environments through Ontology-Based Knowledge Representation”, Computers, vol. 12, núm. 10, p. 199, oct. 2023, doi: https://doi.org/10.3390/computers12100199.
O. Zawacki-Richter, V. I. Marín, M. Bond, y F. Gouverneur, “Systematic review of research on artificial intelligence applications in higher education – where are the educators?”, Int. J. Educ. Technol. High. Educ., vol. 16, núm. 1, p. 39, dic. 2019, doi: https://doi.org/10.1186/s41239-019-0171-0.
C. Guzmán-Valenzuela, C. Gómez-González, A. Rojas-Murphy Tagle, y A. Lorca-Vyhmeister, “Learning analytics in higher education: a preponderance of analytics but very little learning?”, Int. J. Educ. Technol. High. Educ., vol. 18, núm. 1, p. 23, dic. 2021, doi: https://doi.org/10.1186/s41239-021-00258-x.
M. Blumenstein, “Synergies of Learning Analytics and Learning Design: A Systematic Review of Student Outcomes”, J. Learn. Anal., vol. 7, núm. 3, pp. 13–32, dic. 2020, doi: https://doi.org/10.18608/jla.2020.73.3.
J. Liang et al., “Student Modeling and Analysis in Adaptive Instructional Systems”, IEEE Access, vol. 10, pp. 59359–59372, 2022, doi: https://doi.org/10.1109/ACCESS.2022.3178744.
S. Lonn y B. Koester, “Rearchitecting Data for Researchers: A Collaborative Model for Enabling Institutional Learning Analytics in Higher Education”, J. Learn. Anal., vol. 6, núm. 2, jul. 2019, doi: https://doi.org/10.18608/jla.2019.62.8.
J. Peng y Y. Li, “Frontiers of Artificial Intelligence for Personalized Learning in Higher Education: A Systematic Review of Leading Articles”, Appl. Sci., vol. 15, núm. 18, p. 10096, sep. 2025, doi: https://doi.org/10.3390/app151810096.
H. Khosravi, K. Kitto, y J. J. Williams, “RiPPLE: A Crowdsourced Adaptive Platform for Recommendation of Learning Activities”, J. Learn. Anal., vol. 6, núm. 3, dic. 2019, doi: https://doi.org/10.18608/jla.2019.63.12.
R. J. Waddington, S. Nam, S. Lonn, y S. D. Teasley, “Improving Early Warning Systems with Categorized Course Resource Usage”, J. Learn. Anal., vol. 3, núm. 3, pp. 263–290, dic. 2016, doi: https://doi.org/10.18608/jla.2016.33.13.
G. Ramaswami, T. Susnjak, y A. Mathrani, “Effectiveness of a Learning Analytics Dashboard for Increasing Student Engagement Levels”, J. Learn. Anal., vol. 10, núm. 3, pp. 115–134, dic. 2023, doi: https://doi.org/10.18608/jla.2023.7935.
K. Bayly-Castaneda, M.-S. Ramirez-Montoya, y A. Morita-Alexander, “Crafting personalized learning paths with AI for lifelong learning: a systematic literature review”, Front. Educ., vol. 9, p. 1424386, ago. 2024, doi: https://doi.org/10.3389/feduc.2024.1424386.
R. Hidalgo y G. Evans, “Analytics for Action: Assessing effectiveness and impact of data informed interventions on online modules”, RIED Rev. Iberoam. Educ. Distancia, vol. 23, núm. 2, p. 103, jul. 2020, doi: https://doi.org/10.5944/ried.23.2.26450.
D. Ifenthaler, D. Gibson, y E. Dobozy, “The synergistic and dynamic relationship between learning design and learning analytics”, ASCILITE Publ., pp. 112–116, nov. 2017, doi: https://doi.org/10.14742/apubs.2017.752.
E. T. Khor y M. K, “A Systematic Review of the Role of Learning Analytics in Supporting Personalized Learning”, Educ. Sci., vol. 14, núm. 1, p. 51, dic. 2023, doi: https://doi.org/10.3390/educsci14010051.
F. Jin, B. Maheshi, R. Martinez-Maldonado, D. Gašević, y Y.-S. Tsai, “Scaffolding Feedback Literacy: Designing a Feedback Analytics Tool with Students”, J. Learn. Anal., vol. 11, núm. 2, pp. 123–137, jul. 2024, doi: https://doi.org/10.18608/jla.2024.8339.
D. Ifenthaler y J. Y.-K. Yau, “Utilising learning analytics to support study success in higher education: a systematic review”, Educ. Technol. Res. Dev., vol. 68, núm. 4, pp. 1961–1990, ago. 2020, doi: https://doi.org/10.1007/s11423-020-09788-z.
Z. Pan, L. Biegley, A. Taylor, y H. Zheng, “A Systematic Review of Learning Analytics: Incorporated Instructional Interventions on Learning Management Systems”, J. Learn. Anal., vol. 11, núm. 2, pp. 52–72, may 2024, doi: https://doi.org/10.18608/jla.2023.8093.
N. Bergdahl, M. Bond, J. Sjöberg, M. Dougherty, y E. Oxley, “Unpacking student engagement in higher education learning analytics: a systematic review”, Int. J. Educ. Technol. High. Educ., vol. 21, núm. 1, p. 63, dic. 2024, doi: https://doi.org/10.1186/s41239-024-00493-y.
A. N. Cormack, “A Data Protection Framework for Learning Analytics”, J. Learn. Anal., vol. 3, núm. 1, abr. 2016, doi: https://doi.org/10.18608/jla.2016.31.6.
I. Rets, C. Herodotou, y A. Gillespie, “Six Practical Recommendations Enabling Ethical Use of Predictive Learning Analytics in Distance Education”, J. Learn. Anal., vol. 10, núm. 1, pp. 149–167, feb. 2023, doi: https://doi.org/10.18608/jla.2023.7743.
J. Weidlich, D. Gašević, y H. Drachsler, “Causal Inference and Bias in Learning Analytics: A Primer on Pitfalls Using Directed Acyclic Graphs”, J. Learn. Anal., vol. 9, núm. 3, pp. 183–199, dic. 2022, doi: https://doi.org/10.18608/jla.2022.7577.
N. Elouazizi, “Critical Factors In Data Governance For Learning Analytics”, J. Learn. Anal., vol. 1, núm. 3, pp. 211–222, ago. 2014, doi: https://doi.org/10.18608/jla.2014.13.25.
N. Sclater, “Developing a Code of Practice for Learning Analytics”, J. Learn. Anal., vol. 3, núm. 1, abr. 2016, doi: https://doi.org/10.18608/jla.2016.31.3.
Y.-S. Tsai y D. Gasevic, “Learning analytics in higher education --- challenges and policies: a review of eight learning analytics policies”, en Proceedings of the Seventh International Learning Analytics & Knowledge Conference, Vancouver British Columbia Canada: ACM, mar. 2017, pp. 233–242. doi: https://doi.org/10.1145/3027385.3027400.
Descargas
Publicado
junio 25, 2026
Categorías
Derechos de autor 2026 Elizabeth Alexandra Veloz Segura, Verónica Teresa Veloz Segura, Javier Alonso Veloz Segura, Washington Raúl Fierro Saltos (Autor/a)
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Detalles sobre esta monografía
ISBN-13 (15)
978-9907-9552-2-4
Cómo citar
Modelos híbridos inteligentes para el aprendizaje personalizado en la educación superior. (2026). Editorial Unión Científica. https://doi.org/10.63804/libroseuc.5
