����������������������������������������������������������������������������������

 

 

Plataformas de Aprendizaje Adaptativo: Aprovechando la IA para una Educaci�n Personalizada

 

Adaptive Learning Platforms: Leveraging AI for Personalized Education

 

Plataformas de aprendizagem adaptativas: aproveitando a IA para educa��o personalizada

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: Stefanie.torresa@ug.edu.ec

 

 

Ciencias de la Educaci�n

Art�culo de Investigaci�n

 

 

* Recibido: 17 de noviembre de 2024 *Aceptado: 06 de diciembre de 2024 * Publicado: �31 de enero de 2025

 

        I.            Universidad de Guayaquil, Ecuador.

      II.            Universidad de Guayaquil, Ecuador.

   III.            Universidad de Guayaquil, Ecuador.

   IV.            Universidad de Guayaquil, Ecuador.

Resumen

La formaci�n continua de los educadores no solo mejora su capacidad para utilizar estas herramientas, sino que tambi�n fomenta una cultura educativa m�s inclusiva y adaptativa. La colaboraci�n entre instituciones educativas, desarrolladores de tecnolog�a y responsables pol�ticos ser� crucial para crear un marco que apoye la integraci�n efectiva de estas innovaciones en el aula. La implementaci�n de pol�ticas que promuevan la equidad en el acceso a la tecnolog�a educativa permitir� cerrar la brecha digital y asegurar que todos los estudiantes, independientemente de su contexto socioecon�mico, puedan beneficiarse plenamente de estas oportunidades de aprendizaje.

Palabras Clave: inteligencia artificial; innovaci�n educativa; plataforma de aprendizaje.

 

Abstract

Continuing training for educators not only improves their ability to use these tools, but also fosters a more inclusive and adaptive educational culture. Collaboration between educational institutions, technology developers and policy makers will be crucial to create a framework that supports the effective integration of these innovations in the classroom. The implementation of policies that promote equity in access to educational technology will close the digital divide and ensure that all students, regardless of their socioeconomic background, can fully benefit from these learning opportunities.

Keywords: artificial intelligence; educational innovation; learning platform.

 

Resumo

A forma��o cont�nua de educadores n�o s� melhora a sua capacidade de utiliza��o destas ferramentas, mas tamb�m promove uma cultura educacional mais inclusiva e adaptativa. A colabora��o entre institui��es educativas, criadores de tecnologias e decisores pol�ticos ser� crucial para criar um quadro que apoie a integra��o eficaz destas inova��es na sala de aula. A implementa��o de pol�ticas que promovam a equidade no acesso � tecnologia educativa eliminar� a exclus�o digital e garantir� que todos os estudantes, independentemente do seu contexto socioecon�mico, possam beneficiar plenamente destas oportunidades de aprendizagem.

Palavras-chave: intelig�ncia artificial; inova��o educacional; plataforma de aprendizagem.

 

Introducci�n

El avance de la inteligencia artificial (IA) ha transformado m�ltiples sectores, y la educaci�n no es una excepci�n. Las plataformas de aprendizaje adaptativo utilizan IA para ofrecer una ense�anza personalizada, ajustando los contenidos y metodolog�as seg�n las necesidades y el ritmo de cada estudiante. Este enfoque permite mejorar la eficacia del aprendizaje y aumentar la motivaci�n de los alumnos.

Las plataformas de aprendizaje adaptativo desempe�an un papel crucial a la hora de abordar las necesidades y habilidades de aprendizaje individuales al aprovechar la tecnolog�a para adaptar las experiencias educativas a los requisitos �nicos de cada estudiante. Estas plataformas utilizan algoritmos de inteligencia artificial y aprendizaje autom�tico para ajustar din�micamente el contenido, los niveles de dificultad y las rutas de aprendizaje en funci�n de datos en tiempo real sobre el rendimiento y el compromiso de los estudiantes. Este enfoque personalizado no solo mejora los resultados del aprendizaje, sino que tambi�n aumenta la motivaci�n y el compromiso de los estudiantes. Para optimizar estas plataformas y lograr el m�ximo impacto, se pueden emplear varias estrategias, como abordar las preocupaciones �ticas, mejorar la privacidad de los datos y garantizar un acceso equitativo.

Las plataformas de aprendizaje adaptativo desempe�an un papel crucial a la hora de abordar las necesidades y habilidades de aprendizaje individuales al aprovechar la tecnolog�a para adaptar las experiencias educativas a los requisitos �nicos de cada estudiante. Estas plataformas utilizan algoritmos de inteligencia artificial y aprendizaje autom�tico para ajustar din�micamente el contenido, los niveles de dificultad y las rutas de aprendizaje en funci�n de datos en tiempo real sobre el rendimiento y el compromiso de los estudiantes. Este enfoque personalizado no solo mejora los resultados del aprendizaje, sino que tambi�n aumenta la motivaci�n y el compromiso de los estudiantes. Para optimizar estas plataformas y lograr el m�ximo impacto, se pueden emplear varias estrategias, como abordar las preocupaciones �ticas, mejorar la privacidad de los datos y garantizar un acceso equitativo.

Experiencias de aprendizaje personalizadas

●                  Los sistemas de aprendizaje adaptativo brindan experiencias de aprendizaje personalizadas al ajustar el contenido para que coincida con las necesidades individuales de los estudiantes y los ritmos de aprendizaje. Por ejemplo, en la ense�anza de idiomas, se ha demostrado que estos sistemas aumentan la fluidez en un 40% y reducen el tiempo necesario para alcanzar este est�ndar en un 30%� (Rehman, 2024).

●                  En la educaci�n superior, las plataformas adaptativas mejoran el rendimiento acad�mico al permitir que los estudiantes progresen a su propio ritmo, lo que mejora la motivaci�n y el participaci�n (Aroca, 2024).

●                  Los modelos de aprendizaje autom�tico utilizados en las plataformas adaptativas pueden ajustar din�micamente la dificultad de las preguntas del examen en funci�n del rendimiento del usuario, creando una experiencia de evaluaci�n personalizada que se adapta a las diversas necesidades de aprendizaje (Rathi et al., 2024).

Estrategias de optimizaci�n

●                  Para optimizar las plataformas de aprendizaje adaptativo, es esencial abordar los desaf�os t�cnicos, como la privacidad de los datos y el sesgo algor�tmico. Garantizar la seguridad de la informaci�n de los estudiantes y desarrollar contenido adaptable de alta calidad son consideraciones cr�ticas (nazmi et al., 2023).

●                  La integraci�n de la IA en la educaci�n puede mejorar los resultados de los estudiantes al crear experiencias m�s interactivas y atractivas. Sin embargo, hay que abordar desaf�os como el acceso equitativo y el sesgo algor�tmico para garantizar un despliegue efectivo en diversos entornos de aprendizaje (Y et al., 2024).

●                  Las implicaciones pr�cticas para optimizar el aprendizaje adaptativo incluyen el desarrollo de planes de estudio receptivos y la mejora de la tecnolog�a educativa para apoyar las rutas de aprendizaje personalizadas (Andrini, 2023).

Casos pr�cticos y aplicaciones en el mundo real

●                  El curso en l�nea adaptativo y personalizado de matem�ticas de la plataforma Stepik ejemplifica c�mo los enfoques no lineales del aprendizaje en l�nea pueden adaptarse a las necesidades de los estudiantes y mejorar las experiencias de aprendizaje (Zhilmagambetova et al., 2023).

●                  En la preparaci�n de ex�menes estandarizados, las tecnolog�as de aprendizaje adaptativo exponen a los estudiantes a diferentes niveles de dificultad en funci�n de sus puntos fuertes y d�biles, lo que mejora significativamente la velocidad de aprendizaje y el dominio de los temas (Shafique et al., 2023).

●                  Los estudios emp�ricos demuestran que las plataformas educativas adaptativas basadas en el aprendizaje autom�tico mejoran significativamente el rendimiento acad�mico y la satisfacci�n en la educaci�n superior, ofreciendo nuevas v�as de mejora educativa (Tang & Chen, 2024).

�Qu� es el aprendizaje adaptativo?

El aprendizaje adaptativo es un modelo educativo que emplea tecnolog�a para modificar la ense�anza en funci�n del progreso y las habilidades de los estudiantes. A trav�s del an�lisis de datos y algoritmos de IA, estas plataformas pueden identificar fortalezas y debilidades, proporcionando recursos y actividades ajustadas a cada perfil de aprendizaje.

El aprendizaje adaptativo es un enfoque educativo moderno que aprovecha la tecnolog�a para adaptar la experiencia de aprendizaje a las necesidades individuales de los estudiantes, lo que contrasta significativamente con los m�todos de ense�anza tradicionales. Si bien la educaci�n tradicional suele emplear un modelo �nico para todos, los sistemas de aprendizaje adaptativo utilizan el an�lisis de datos y la inteligencia artificial para personalizar el contenido, el ritmo y las evaluaciones en funci�n de las fortalezas, debilidades y preferencias de cada alumno. Este enfoque personalizado tiene como objetivo mejorar la participaci�n, la retenci�n y la comprensi�n de los estudiantes al alinear los materiales educativos con el progreso y los estilos de aprendizaje individuales. Las siguientes secciones profundizan en las caracter�sticas clave del aprendizaje adaptativo y sus diferencias con los m�todos de ense�anza tradicionales.

Caracter�sticas clave del aprendizaje adaptativo

●                  Personalizaci�n y personalizaci�n: los sistemas de aprendizaje adaptativo ajustan el contenido educativo y las evaluaciones para que se ajusten a las necesidades �nicas de cada estudiante. Esto se logra mediante el uso de algoritmos de inteligencia artificial y aprendizaje autom�tico que analizan los datos de los estudiantes, como los tiempos de respuesta y las puntuaciones de los cuestionarios, para crear una ruta de aprendizaje personalizada (ME et al., 2024)� (Gupta, 2024).

●                  Retroalimentaci�n y ajustes din�micos en tiempo real: estos sistemas proporcionan comentarios inmediatos a los estudiantes, lo que permite realizar ajustes din�micos en el proceso de aprendizaje. Esta interacci�n en tiempo real ayuda a identificar las �reas en las que los estudiantes tienen dificultades y ofrece recursos adicionales o explicaciones alternativas para facilitar la comprensi�n (ME et al., 2024)� (Gupta, 2024).

●                  Informaci�n basada en datos: el aprendizaje adaptativo depende en gran medida del an�lisis de datos para monitorear el comportamiento y el rendimiento de los estudiantes. Estos datos se utilizan para predecir las necesidades futuras de aprendizaje y para perfeccionar continuamente la experiencia educativa, garantizando que siga siendo relevante y efectiva (nazmi et al., 2023)� (Fadieieva, 2023).

●                  Participaci�n y motivaci�n: Al adaptarse a los estilos y ritmos de aprendizaje individuales, los sistemas de aprendizaje adaptativo pueden aumentar la participaci�n y la motivaci�n de los estudiantes. La naturaleza personalizada de la experiencia de aprendizaje ayuda a mantener el inter�s de los estudiantes y fomenta la participaci�n activa (nazmi et al., 2023)� (Shafique et al., 2023).

Diferencias con los m�todos de ense�anza tradicionales

●                  Estandarizaci�n versus individualizaci�n: Los m�todos de ense�anza tradicionales suelen implicar la entrega de contenido estandarizada, en la que todos los estudiantes reciben el mismo material independientemente de sus necesidades individuales. Por el contrario, los sistemas de aprendizaje adaptativo individualizan la experiencia de aprendizaje, proporcionando diferentes contenidos y desaf�os en funci�n del progreso y las capacidades de cada estudiante (Kochetkov, 2022)� (Shafique et al., 2023).

●                  El papel del profesor: En los entornos tradicionales, los profesores son la principal fuente de informaci�n y controlan el ritmo y el contenido de la ense�anza. El aprendizaje adaptativo transfiere parte de este control a la tecnolog�a, lo que permite a los profesores centrarse m�s en facilitar y apoyar los viajes de aprendizaje individuales de los estudiantes (Randi, 2022)� (Srinivasa, 2022).

●                  Evaluaci�n y retroalimentaci�n: La educaci�n tradicional normalmente se basa en evaluaciones peri�dicas, como ex�menes y cuestionarios, para evaluar el rendimiento de los estudiantes. Sin embargo, los sistemas de aprendizaje adaptativo ofrecen evaluaciones y comentarios continuos, lo que permite intervenciones y apoyo m�s oportunos (Shahzadi et al., 2024)� (Gupta, 2024).

●                  Flexibilidad y adaptabilidad: los m�todos tradicionales suelen carecer de la flexibilidad necesaria para adaptarse a las cambiantes necesidades de los estudiantes o a los entornos de aprendizaje. Los sistemas de aprendizaje adaptativo, por otro lado, est�n dise�ados para ser altamente adaptables y utilizan la tecnolog�a para adaptarse a varios contextos de aprendizaje y requisitos de los estudiantes (ME et al., 2024)� (nazmi et al., 2023).

Beneficios de las plataformas de aprendizaje adaptativo

1.                 Personalizaci�n del aprendizaje: Se adapta a las necesidades individuales, brindando un enfoque centrado en el estudiante.

2.                 Retroalimentaci�n inmediata: Los estudiantes reciben respuestas en tiempo real, permiti�ndoles corregir errores y mejorar su comprensi�n.

3.                 Optimizaci�n del tiempo: Al enfocarse en los puntos d�biles, el aprendizaje es m�s eficiente y evita la repetici�n innecesaria de contenido ya dominado.

4.                 Mayor motivaci�n y compromiso: Al recibir contenido relevante y adecuado a su nivel, los alumnos se sienten m�s motivados a continuar aprendiendo.

5.                 Evaluaciones din�micas: En lugar de ex�menes est�ticos, las plataformas pueden generar pruebas ajustadas a la evoluci�n del estudiante.

Tecnolog�as clave detr�s del aprendizaje adaptativo

�                    Machine Learning: Permite que los sistemas aprendan del comportamiento del estudiante y ajusten el contenido en consecuencia.

�                    Procesamiento del Lenguaje Natural (PLN): Facilita la interacci�n con los estudiantes y mejora la comprensi�n de sus respuestas.

�                    An�lisis de datos: Extrae informaci�n relevante sobre el rendimiento de los estudiantes para generar recomendaciones personalizadas.

�                    Gamificaci�n: Introduce elementos l�dicos para aumentar la motivaci�n y el compromiso de los estudiantes.

Ejemplos de plataformas de aprendizaje adaptativo

�                    Knewton: Utiliza IA para personalizar el contenido en funci�n del progreso del estudiante.

�                    Smart Sparrow: Permite a los educadores crear experiencias de aprendizaje adaptativo.

�                    DreamBox: Plataforma enfocada en matem�ticas que ajusta la dificultad de los ejercicios en tiempo real.

�                    Duolingo: Emplea algoritmos de aprendizaje adaptativo para personalizar el aprendizaje de idiomas.

Desaf�os y futuro del aprendizaje adaptativo

A pesar de sus m�ltiples beneficios, las plataformas de aprendizaje adaptativo enfrentan desaf�os como la privacidad de los datos, la accesibilidad y la necesidad de formaci�n docente para su implementaci�n efectiva. No obstante, el futuro apunta a una mayor integraci�n de IA en la educaci�n, con sistemas a�n m�s sofisticados que permitan experiencias de aprendizaje verdaderamente personalizadas.

●                  Desaf�os tecnol�gicos: El desarrollo de sistemas de aprendizaje adaptativo requiere una tecnolog�a sofisticada capaz de procesar y analizar datos en tiempo real. La complejidad de dise�ar materiales adaptables que puedan ajustarse din�micamente a las necesidades de los estudiantes es significativa, y con frecuencia existe una brecha en la infraestructura digital, especialmente en las regiones en desarrollo� (Maulana & Wiyono, 2025)� (Pahrudin et al., 2024).

●                  Preocupaciones �ticas y de privacidad: El uso de la inteligencia artificial y el an�lisis de datos en el aprendizaje adaptativo suscita dudas sobre la privacidad y la seguridad de los datos. Garantizar que los datos de los estudiantes est�n protegidos y utilizados de forma �tica es un desaf�o importante, al igual que mantener la confianza en estos sistemas (Osmanoglu, 2022)� (Yu, 2024).

●                  Desaf�os pedag�gicos: La integraci�n del aprendizaje adaptativo en los marcos educativos existentes requiere un cambio en las metodolog�as de ense�anza. Los profesores necesitan un desarrollo profesional continuo para utilizar estos sistemas de manera eficaz, y es necesario equilibrar la tecnolog�a con los m�todos de ense�anza tradicionales (Fadieieva, 2023)� (Hilali et al., 2023).

●                  Dise�o de contenido y modelado del alumno: Crear contenido adaptable de alta calidad que se alinee con los est�ndares curriculares y modele con precisi�n los perfiles de los alumnos es un desaf�o. Esto incluye abordar los sesgos en los datos y garantizar que el contenido sea atractivo y relevante (Hilali et al., 2023)� (Chiotaki et al., 2023).

6.                 Orientaciones futuras del aprendizaje adaptativo

●                  Avances en la inteligencia artificial y el aprendizaje autom�tico: El futuro del aprendizaje adaptativo est� estrechamente ligado al desarrollo de las tecnolog�as de inteligencia artificial. Estos avances pueden mejorar la personalizaci�n de las experiencias de aprendizaje al proporcionar evaluaciones m�s precisas de las necesidades y preferencias de los estudiantes (Fadieieva, 2023)� (Maulana & Wiyono, 2025).

●                  Integraci�n con tecnolog�as emergentes: tecnolog�as como el seguimiento ocular y las mediciones fisiol�gicas pueden personalizar a�n m�s el aprendizaje al proporcionar informaci�n sobre el compromiso y los estados emocionales de los estudiantes. Esto puede conducir a entornos de aprendizaje m�s receptivos y efectivos (Fadieieva, 2023).

●                  C�ntrese en la inclusi�n y la accesibilidad: Los sistemas de aprendizaje adaptativo tienen el potencial de hacer que la educaci�n sea m�s inclusiva al atender a diversos estilos y necesidades de aprendizaje. La investigaci�n y el desarrollo futuros deber�an centrarse en garantizar que estos sistemas sean accesibles para todos los estudiantes, independientemente de su nivel socioecon�mico o ubicaci�n geogr�fica (Pahrudin et al., 2024)� (Gumbheer et al., 2022).

●                  Colaboraci�n entre humanos e inteligencia artificial: El papel de los profesores en los entornos de aprendizaje adaptativo est� evolucionando. Es probable que los sistemas futuros hagan hincapi� en la colaboraci�n entre los educadores y la IA, en la que los profesores gu�an y apoyan a los alumnos, mientras que la IA gestiona la personalizaci�n basada en datos (Osmanoglu, 2022).

 

Conclusiones

Las conclusiones del aprendizaje adaptativo informan de manera significativa el desarrollo de estrategias de aprendizaje personalizadas para diversas poblaciones de estudiantes al aprovechar la tecnolog�a para adaptar las experiencias educativas a las necesidades individuales. Estas estrategias se basan en los principios del aprendizaje adaptativo, que utiliza la inteligencia artificial y el aprendizaje autom�tico para ajustar din�micamente el contenido, el ritmo y los comentarios en funci�n del rendimiento y las preferencias de los estudiantes. Este enfoque no solo mejora los resultados acad�micos, sino que tambi�n fomenta una mayor participaci�n y motivaci�n entre los estudiantes. La integraci�n de los sistemas de aprendizaje adaptativo en los entornos educativos promete abordar las diversas necesidades de los estudiantes, en particular los que provienen de entornos marginados, al proporcionar un acceso equitativo a la instrucci�n personalizada. Las siguientes secciones exploran los aspectos clave de c�mo el aprendizaje adaptativo informa las estrategias personalizadas.

Mejorar la equidad educativa

●                  Los modelos de aprendizaje adaptativo est�n dise�ados para promover la equidad educativa al proporcionar una instrucci�n personalizada adaptada a las necesidades individuales de los estudiantes, lo que es particularmente beneficioso para las poblaciones diversas y desatendidas� (Dagunduro et al., 2024).

●                  Estos sistemas utilizan algoritmos avanzados para ajustar el contenido y el ritmo, garantizando que todos los estudiantes, independientemente de su origen, tengan la oportunidad de triunfar (Dagunduro et al., 2024).

Papel de la tecnolog�a y la IA

●                  El uso de la inteligencia artificial y el aprendizaje autom�tico en las plataformas de aprendizaje adaptativo permite ajustar el contenido educativo en tiempo real, lo que permite adaptarlo a los estilos y ritmos de aprendizaje �nicos de cada estudiante (Aroca, 2024)� (Gupta, 2024).

●                  Los sistemas basados en la inteligencia artificial pueden analizar grandes cantidades de datos para identificar patrones y preferencias, lo que permite crear experiencias de aprendizaje altamente personalizadas (Khan & Mishra, 2024)� (P�rraga et al., 2024).

Personalizaci�n y compromiso

●                  La personalizaci�n en entornos de aprendizaje adaptables es crucial para maximizar la participaci�n de los estudiantes y los resultados de aprendizaje. Al personalizar el contenido y las estrategias educativas, estos sistemas pueden mejorar significativamente la experiencia y la satisfacci�n del usuario (Graf, 2023).

●                  Los sistemas de aprendizaje adaptativo proporcionan comentarios personalizados y ajustan la dificultad del contenido, lo que ayuda a mantener la motivaci�n de los estudiantes y fomenta el aprendizaje continuo (Er-Radi et al., 2023)� (Rathi et al., 2024).

Abordar diversos estilos de aprendizaje

●                  Las estrategias de aprendizaje adaptativo suelen incorporar modelos como el VARK para adaptar la ense�anza a los diferentes estilos de aprendizaje, mejorando as� el rendimiento acad�mico y la satisfacci�n acad�mica (Vanegas et al., 2024).

●                  Al identificar las preferencias de aprendizaje individuales y adaptarse a ellas, estos sistemas pueden ayudar a los estudiantes que pueden tener dificultades en los entornos educativos tradicionales, ofreci�ndoles una experiencia de aprendizaje m�s efectiva y atractivante (Admeur & Hicham, 2024).

Desaf�os y consideraciones

●                  A pesar de los posibles beneficios, la implementaci�n de sistemas de aprendizaje adaptativo plantea desaf�os, incluidas las preocupaciones �ticas relacionadas con la privacidad de los datos y la equidad algor�tmica (Dagunduro et al., 2024)� (Aroca, 2024).

●                  Garantizar un acceso equitativo a estas tecnolog�as y proporcionar un desarrollo profesional integral a los educadores son fundamentales para la integraci�n exitosa del aprendizaje adaptativo en los diversos entornos educativos (Dagunduro et al., 2024).

Si bien los sistemas de aprendizaje adaptativo ofrecen soluciones prometedoras para personalizar la educaci�n, es esencial considerar las implicaciones m�s amplias de su implementaci�n. Deben abordarse desaf�os como la privacidad de los datos, los sesgos algor�tmicos y la necesidad de un acceso equitativo para garantizar que estas tecnolog�as beneficien a todos los estudiantes. Adem�s, la investigaci�n y el desarrollo continuos son necesarios para optimizar estos sistemas y aprovechar al m�ximo su potencial en diversos entornos educativos.

 

Referencias

1.      Admeur, S., & Hicham, A. (2024). Personalizing Learning Strategies for Students Failing in School.Contemporary.

2.      Andrini, V. S. (2023).Integrating Adaptive E-Learning Platform to Enhance Mathematical Problem-Solving Abilities. https://doi.org/10.29062/edu.v7i2.709

3.      Aroca, W. G. R. (2024). Aprendizaje Adaptativo en Educaci�n Superior: An�lisis de Plataformas Digitales y su Impacto en el Aprendizaje Personalizado.Ciencia Latina. https://doi.org/10.37811/cl_rcm.v8i5.14079

4.      Chiotaki, D., Poulopoulos, V., & Karpouzis, K. (2023). Adaptive game-based learning in education: a systematic review.Frontiers in Computer Science. https://doi.org/10.3389/fcomp.2023.1062350

5.      Dagunduro, A. O., Chikwe, C. F., Ajuwon, O. A., & Ediae, A. A. (2024). Adaptive Learning Models for Diverse Classrooms: Enhancing Educational Equity.International Journal of Applied Research in Social Sciences. https://doi.org/10.51594/ijarss.v6i9.1588

6.      Er-Radi, H., Aammou, S., & Jdidou, A. (2023).Personalized learning through adaptive content modification. https://doi.org/10.18316/rcd.v15i39.11153

7.      Fadieieva, L. O. (2023).Adaptive learning: a cluster-based literature review (2011-2022). https://doi.org/10.55056/etq.613

8.      Graf, A. (2023). Exploring the Role of Personalization in Adaptive Learning Environments.International Journal Software Engineering and Computer Science. https://doi.org/10.35870/ijsecs.v3i2.1200

9.      Gumbheer, C. P., Khedo, K. K., & Bungaleea, A. (2022). Personalized and Adaptive Context-Aware Mobile Learning: Review, challenges and future directions.Education and Information Technologies. https://doi.org/10.1007/s10639-022-10942-8

10.  Gupta, T. R. (2024). Adaptive Learning Systems: Harnessing AI to Personalize Educational Outcomes.International Journal For Science Technology And Engineering. https://doi.org/10.22214/ijraset.2024.65088

11.  Hilali, K., Chergui, M., & Ammoumou, A. (2023).Adaptive Learning Systems: A Comprehensive Overview and Identification of Challenges. https://doi.org/10.1109/ictmod59086.2023.10438128

12.  Khan, A., & Mishra, V. (2024). Adapting to Diversity: Leveraging AI for ESL Learning Enhancement.Journal of Advances and Scholarly Research in Allied Education. https://doi.org/10.29070/kbp95r65

13.  Kochetkov, M. V. (2022). Traditional and adaptive learning paradigms as integral components of the innovation-oriented education of the future.Perspektivy Nauki i Obrazovani�. https://doi.org/10.32744/pse.2022.4.2

14.  Maulana, A., & Wiyono, D. Y. (2025). Adaptive Material Design Supporting Personalized Education: Challenges and Opportunities.Deleted Journal. https://doi.org/10.62734/jtech.v1i2.419

15.  ME, L., G, S. D., Shuba, S., Sneha, K., & Sofiya, S. (2024).Adaptive Learning Management System. https://doi.org/10.59544/pqyl6304/icrcct24p39

16.  Nazmi, R., Ardiyanto, J., Anshori, M. I., Siswanto, E., Wirawan, R., Negeri, U., Yunus, M., Press, B., & Pendidikan, J. (2023).Adaptive Learning in the Future of Educational Management Adapts to Student Needs. https://doi.org/10.31958/jaf.v11i2.10552

17.  Osmanoglu, B. (2022).AIS Adoption Challenges: The Role of Interactions Between Humans and Artificial Intelligence in Adoption of Adaptive Learning. https://doi.org/10.1007/978-3-031-22131-6_29

18.  Pahrudin, A., Syafril, S., Erlina, N., Saputri, A., & Fitriani, F. (2024). Adaptive Learning Models for Gifted and Talented Students: Global Perspectives and Implementation Challenges.Tadris: Jurnal Keguruan Dan Ilmu Tarbiyah. https://doi.org/10.24042/tadris.v9i2.24754

19.  P�rraga, J. D. A., Zambrano, R. M. M., & Cevallos, L. A. T. (2024). La personalizaci�n del aprendizaje: estrategias de adaptaci�n de contenido con inteligencia artificial en entornos educativos.Educación y Vínculos. https://doi.org/10.33255/2591/1940

20.  Randi, J. (2022).Adaptive Teaching. https://doi.org/10.4324/9781138609877-ree125-1

21.  Rathi, S. R., Mule, S., Nichat, S., Mulla, J., & Neware, S. (2024).Analysis and Implementation of Machine Learning Approaches for Adaptive Learning Using Personalized Assessment. https://doi.org/10.1109/idciot59759.2024.10468025

22.  Rehman, S. U. (2024). Adaptive Learning Systems for Personalized Language Instruction in Transnational Higher Education.Advances in Educational Marketing, Administration, and Leadership Book Series. https://doi.org/10.4018/979-8-3693-7016-2.ch008

23.  Shafique, M., Fazli, A. F., Qureshi, L., & Saleem, W. (2023).Adaptive Learning for Standardised Test Preparation. https://doi.org/10.1109/inmic60434.2023.10465975

24.  Shahzadi, I., Hussain, A., & Ashraf, S. (2024). Practice of Adaptive Teaching in Improving Students� Learning: An Effective Approach.Bulletin of Business and Economics. https://doi.org/10.61506/01.00239

25.  Srinivasa, K. G. (2022).Adaptive Teaching/Learning. https://doi.org/10.1007/978-981-19-6734-4_9

26.  Tang, X., & Chen, Y.-H. (2024).Adaptive Education Platform Based on Machine Learning: A New Way to Improve the Quality of Higher Education. https://doi.org/10.1109/iist62526.2024.00054

27.  Vanegas, C. V., Puerta, J. E. A., Ceballos, M. N., & S�nchez, J. M. M. (2024). Personalized Learning: an Adaptive Approach Based on the VARK Model to Improve Distance Education.RGSA: Revista de Gest�o Social e Ambiental. https://doi.org/10.24857/rgsa.v18n12-046

28.  Y, M. N., H, L. P., & N, S. (2024). Revolutionizing Education: Harnessing AI for Personalized Learning Pathways and Student Success.International Journal For Multidisciplinary Research. https://doi.org/10.36948/ijfmr.2024.v06i05.28371

29.  Yu, C. (2024). Research on Challenges and Strategies of Students� Adaptive Learning within AI.Journal of Education, Humanities and Social Sciences. https://doi.org/10.54097/mhkpyq51

30.  Zhilmagambetova, R., Kopeyev, Z., Mubarakov, A., & Alimagambetova, A. Z. (2023). The Role of Adaptive Personalized Technologies in the Learning Process.International Journal of Virtual and Personal Learning Environments. https://doi.org/10.4018/ijvple.324079

 

 

 

 

 

 

 

 

� 2025 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).