Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 508
SISTEMAS ADAPTATIVOS DE APRENDIZAJE CON INTELIGENCIA ARTIFICIAL
PARA ENTORNOS: UNA REVISIÓN SISTEMÁTICA
ADAPTIVE LEARNING SYSTEMS WITH ARTIFICIAL INTELLIGENCE FOR
UNIVERSITY ENVIRONMENTS WITH LIMITED RESOURCES: A SYSTEMATIC
REVIEW
Autores: ¹Daniel Alexander Vera Paredes, ²Wellington Arturo Alvarez Baque y
3
Luis Cristóbal
Córdova Martínez.
¹ORCID ID: https://orcid.org/0009-0001-9033-3399
²ORCID ID: https://orcid.org/0000-0002-8251-6259
²ORCID ID: https://orcid.org/0000-0003-3605-429X
¹E-mail de contacto: dverap@unemi.edu.ec
²E-mail de contacto: walvarezb@unemi.edu.ec
³E-mail de contacto: lcordovam@unemi.edu.ec
Afiliación: ¹*²*³*Universidad Estatal de Milagro, (Ecuador).
Artículo recibido: 1 de Noviembre del 2025
Artículo revisado: 3 de Noviembre del 205
Artículo aprobado: 10 de Noviembre del 2025
¹Magíster en Administración y Dirección de Empresas adquirida en la Universidad Tecnológica Empresarial de Guayaquil, (Ecuador).
Máster Universitario en Ingeniería de Software y Sistemas Informáticos adquirida en la Universidad Internacional de la Rioja, (España).
Licenciado en Sistemas de Información adquirida en la Escuela Superior Politécnica del Litoral, (Ecuador).
²Bachelor of Science in Marketing adquirida en la Universidad de Surrey, (Reino Unido). Master of Science in International Management
with Marketing adquirida en la Universidad de Roehampton, (Reino Unido).
³Magíster en Administración y Dirección de Empresas adquirida en la Universidad Tecnológica Empresarial de Guayaquil, (Ecuador).
Magíster en Gerencia de Tecnologías de la Información adquirida en la Universidad Estatal de Milagro, (Ecuador). Especialista en
Tecnologías de la Información mención en Comercio y Negocio Electrónico adquirida en la Universidad Laica Eloy Alfaro de Manabí,
(Ecuador).
Resumen
El objetivo del presente estudio fue analizar,
sintetizar y evaluar críticamente el estado
actual del conocimiento sobre sistemas
adaptativos de aprendizaje potenciados por
inteligencia artificial en contextos de
educación superior con recursos limitados. Se
realizó una revisión sistemática de la literatura
siguiendo las directrices metodológicas de
Kitchenham y los principios PRISMA. La
búsqueda se ejecutó en Mendeley y Science
Direct mediante tres configuraciones booleanas
que generaron 51 estudios incluidos tras aplicar
criterios rigurosos de inclusión y exclusión.
Dos revisores independientes realizaron el
cribado y evaluación de elegibilidad con
acuerdo inter-evaluador del 92 por ciento,
alcanzando consenso del 100 por ciento. Se
extrajeron datos sobre componentes
arquitectónicos, efectividad empírica, marcos
teóricos y barreras de implementación. El
análisis reveló que los sistemas adaptativos
comprenden tres componentes centrales:
modelo del estudiante, modelo del dominio y
modelo de adaptación. La evidencia de
efectividad mostró tamaño de efecto global
moderado de 0.31 con mejoras en desempeño
académico en 59 por ciento de estudios y en
participación estudiantil en 68 por ciento. Las
barreras más frecuentes fueron infraestructura
y conectividad (68.6 por ciento), acceso a
dispositivos (54.9 por ciento) y recursos
financieros insuficientes (47.1 por ciento). Se
concluye que los sistemas adaptativos
constituyen herramientas potencialmente
valiosas cuya efectividad depende críticamente
de contextos de implementación reflexivos,
éticos y sostenibles. Para democratizar
educación superior de calidad se requiere
transitar de transferencia tecnológica a co-
construcción contextualizada donde
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 509
instituciones del Sur Global sean agentes
activos en generación de conocimiento y
diseño de sistemas que respondan
auténticamente a sus realidades educativas.
Palabras clave: Sistemas adaptativos de
aprendizaje, Inteligencia artificial,
Educación superior, Recursos limitados,
Países en desarrollo, Revisión sistemática,
Implementación tecnológica, Equidad
educativa.
Abstract
The objective of this study was to analyze,
synthesize and critically evaluate the current
state of knowledge on adaptive learning
systems powered by artificial intelligence in
higher education contexts with limited
resources. A systematic literature review was
conducted following Kitchenham
methodological guidelines and PRISMA
principles. The search was executed in
Mendeley and Science Direct through three
Boolean configurations that generated 51
included studies after applying rigorous
inclusion and exclusion criteria. Two
independent reviewers performed screening
and eligibility assessment with 92 percent
inter-rater agreement, reaching 100 percent
consensus. Data were extracted on architectural
components, empirical effectiveness,
theoretical frameworks and implementation
barriers. Analysis indicated that adaptive
learning systems are structured around three
fundamental elements: the learner model, the
domain model, and the adaptation model.
Effectiveness evidence showed moderate
global effect size of 0.31 with improvements in
academic performance in 59 percent of studies
and in student engagement in 68 percent. The
most frequent barriers were infrastructure and
connectivity (68.6 percent), device access (54.9
percent) and insufficient financial resources
(47.1 percent). It is concluded that adaptive
systems constitute potentially valuable tools
whose effectiveness critically depends on
reflective, ethical and sustainable
implementation contexts. To democratize
quality higher education, it is necessary to
move from technology transfer to
contextualized co-construction where Global
South institutions are active agents in
knowledge generation and system design that
authentically respond to their educational
realities.
Keywords: Adaptive learning systems,
Artificial intelligence, Higher education,
Limited resources, Developing countries,
Systematic review, Technology
implementation, Educational equity.
Sumário
O objetivo deste estudo foi analisar, sintetizar e
avaliar criticamente o estado atual do
conhecimento sobre sistemas adaptativos de
aprendizagem potencializados por inteligência
artificial em contextos de educação superior
com recursos limitados. Foi realizada uma
revisão sistemática da literatura seguindo as
diretrizes metodológicas de Kitchenham e os
princípios PRISMA. A busca foi executada em
Mendeley e Science Direct através de três
configurações booleanas que geraram 51
estudos incluídos após aplicar critérios
rigorosos de inclusão e exclusão. Dois
revisores independentes realizaram a triagem e
avaliação de elegibilidade com 92 por cento de
concordância inter-avaliador, alcançando
consenso de 100 por cento. Foram extraídos
dados sobre componentes arquitetônicos,
efetividade empírica, marcos teóricos e
barreiras de implementação. A análise revelou
que os sistemas adaptativos compreendem três
componentes centrais: modelo do estudante,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 510
modelo do domínio e modelo de adaptação. A
evidência de efetividade mostrou tamanho de
efeito global moderado de 0.31 com melhorias
no desempenho acadêmico em 59 por cento dos
estudos e no engajamento estudantil em 68 por
cento. As barreiras mais frequentes foram
infraestrutura e conectividade (68.6 por cento),
acesso a dispositivos (54.9 por cento) e
recursos financeiros insuficientes (47.1 por
cento). Conclui-se que os sistemas adaptativos
constituem ferramentas potencialmente
valiosas cuja efetividade depende criticamente
de contextos de implementação reflexivos,
éticos e sustentáveis. Para democratizar
educação superior de qualidade é necessário
transitar de transferência tecnológica a co-
construção contextualizada onde instituições
do Sul Global sejam agentes ativos na geração
de conhecimento e desenho de sistemas que
respondam autenticamente às suas realidades
educacionais.
Palavras-chave: Sistemas Adaptativos de
aprendizagem, Inteligência artificial,
Educação superior, Recursos limitados,
Países em desenvolvimento, Revisão
sistemática, Implementação tecnológica,
Equidade educacional.
Introducción
La educación superior enfrenta el desafío de
ofrecer aprendizajes personalizados en
contextos con diversidad estudiantil y recursos
limitados. La Inteligencia Artificial (IA),
entendida como “la simulación de la
inteligencia humana en máquinas,
permitiéndoles realizar tareas como
aprendizaje, razonamiento y autocorrección”
(Bayaga, 2025), se posiciona como una
herramienta clave para atender estas
limitaciones. Tecnologías emergentes como
blockchain, computación cuántica, IoT,
AR/VR, redes 5G y computación en el borde
representan sistemas innovadores capaces de
transformar diversos sectores (Bayaga, 2025).
En educación, estas convergen con
innovaciones pedagógicas, definidas como
“nuevos métodos de enseñanza, teorías y
prácticas diseñadas para mejorar los resultados
educativos” (Bayaga, 2025), tales como aulas
invertidas, aprendizaje combinado y
gamificación.
Integrar IA, tecnologías emergentes e
innovaciones pedagógicas es esencial para
potenciar el aprendizaje combinado inmersivo,
especialmente en universidades con recursos
limitados. En este escenario, las plataformas de
aprendizaje adaptativo (ALPs), “plataformas de
e-learning que utilizan tecnologías adaptativas
para ajustar dinámicamente el contenido
instruccional” (Lim et al., 2024), permiten
experiencias personalizadas mediante el
análisis de datos estudiantiles (Lim et al., 2024).
La evidencia reciente sostiene que estas
tecnologías mejoran la participación,
interactividad y cognición en educación STEM
(Bayaga, 2025). No obstante, persisten vacíos
sobre cómo interactúan estas tecnologías en
diversos contextos culturales y lingüísticos, y el
rol de variables demográficas como el género
sigue poco explorado (Bayaga, 2025).
Los métodos tradicionales de enseñanza aplican
un enfoque uniforme que ignora diferencias
individuales, mientras que las ALPs ofrecen una
alternativa capaz de abordar el problema de los
2-sigma de Bloom, demostrando beneficios
similares a la tutoría personalizada mediante
ajustes dinámicos del contenido (Lim et al.,
2024). Estas plataformas personalizan la
experiencia recomendando recursos,
proporcionando retroalimentación
individualizada y ajustando la secuencia o
dificultad según el progreso del estudiante (Lim
et al., 2024). Su arquitectura técnica incluye tres
componentes: el modelo del estudiante, que
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 511
integra atributos ambientales, demográficos,
cognitivos, conductuales y emocionales,
esenciales en contextos de bajos recursos (Lim
et al., 2024); el modelo del dominio, que
organiza conocimientos y habilidades en
objetos de aprendizaje alineados con resultados
educativos; y el modelo de adaptación, que
define qué contenido se presenta en función de
factores como conocimiento previo, estilo
cognitivo o motivación (Lim et al., 2024).
La adaptabilidad opera a distintos niveles: el
bucle de tarea selecciona recursos, mientras que
el bucle de paso ajusta actividades en tiempo
real para promover dominio del contenido antes
de avanzar, además de adaptar la dificultad de
las evaluaciones según respuestas previas (Lim
et al., 2024). Comparativamente, las ALPs
muestran ventajas respecto a la enseñanza
tradicional: Wang et al. reportaron que el 75.5%
de los estudiantes en clases pequeñas y el 64.4%
en clases grandes superaron el promedio de los
grupos con docentes (Lim et al., 2024). No
obstante, estudios como los de Zhou et al.
(2024) indican que algunas métricas, como
movimientos oculares, pueden no reflejar con
precisión los comportamientos de aprendizaje.
La evolución tecnológica ha impulsado nuevos
avances mediante Modelos de Lenguaje
Grandes (LLMs), que introducen posibilidades
para el aprendizaje personalizado, junto con la
necesidad de evaluaciones éticas y rigurosas
(Sharma et al., 2025). Se prevé que las ALPs
integren AR, VR, gamificación y LLMs,
utilizando chatbots para ofrecer
retroalimentación instantánea y simular tutoría
individualizada (Lim et al., 2024).
La IA generativa está transformando la
educación mediante aprendizaje personalizado,
optimización administrativa y mayor
creatividad, pero requiere una integración
responsable que garantice accesibilidad,
equidad y ética, considerando riesgos como
sesgos y privacidad de datos (Bura & Myakala,
2024). En contextos con recursos limitados, los
modelos de lenguaje grandes (LLMs) ofrecen
oportunidades educativas, aunque sus altas
demandas computacionales restringen su uso y
amplían desigualdades; para ello, se propone un
pipeline RAG offline que combina un modelo
pequeño con recuperación robusta, permitiendo
tutores de IA funcionales sin internet y
adecuados para entornos desfavorecidos (Hevia
et al., 2025). Asimismo, la alfabetización en IA
es crucial para implementar estas tecnologías,
especialmente dado el desfase entre países
desarrollados y en desarrollo que dificulta el
avance equitativo (Kathala & Palakurthi, 2024).
En términos de equidad, los sistemas
adaptativos pueden reducir brechas educativas:
estudiantes de contextos socialmente
vulnerables enfrentan barreras de acceso a
tecnología, pero investigaciones muestran que
quienes participaron en entornos adaptativos
demostraron mayores niveles de conocimiento
y participación que los grupos de control
(Katona & Gyonyoru, 2025). Esto evidencia el
potencial de la IA para fortalecer la inclusión
educativa y mejorar los resultados de
aprendizaje en poblaciones desfavorecidas
(Katona y Gyonyoru, 2025).
Los marcos teóricos de adopción tecnológica
ofrecen bases clave para comprender el uso de
IA en educación. El modelo UTAUT integra
componentes como expectativa de desempeño,
expectativa de esfuerzo, influencia social y
condiciones facilitadoras para explicar la
intención de uso tecnológico. En educación, la
expectativa de desempeño refleja la creencia de
que la IA mejora resultados y eficiencia,
mientras que la expectativa de esfuerzo se
relaciona con la facilidad de uso para docentes
y estudiantes. Las condiciones facilitadoras
cobran especial relevancia en contextos con
recursos limitados, pues dependen de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 512
infraestructura, capacitación y soporte. El
marco TOE, centrado en factores tecnológicos,
organizacionales y ambientales, también ayuda
a explicar la adopción institucional (Bayaga,
2025).
La evidencia empírica indica que la expectativa
de desempeño y la expectativa de esfuerzo
influyen significativamente en la actitud hacia
la IA (F=14.861; F=33.887), y esta, a su vez, en
la intención conductual (β=0.468, t=5.106),
mientras que la influencia social y las
condiciones facilitadoras muestran efectos
menores. Además, el contexto organizacional es
determinante en la actitud hacia la IA, aunque
su efecto directo sobre la intención conductual
no fue significativo (Bayaga, 2025). En la
práctica, las instituciones enfrentan barreras
como bajo compromiso institucional, falta de
recursos y dificultades para desarrollar cursos
adaptativos, proceso que puede tomar más de
seis semestres. Muchos docentes no emplean
analíticas avanzadas por falta de conocimiento,
por lo que se requiere capacitación continua.
Asimismo, la privacidad y seguridad de datos
estudiantiles exige marcos robustos de
gobernanza (Lim et al., 2024). Respecto al
impacto educativo, la integración de IA mejora
resultados de aprendizaje en universidades
técnicas (Naseer et al., 2024). Aunque el uso de
aprendizaje adaptativo ha aumentado, su
investigación sigue en desarrollo. Estudios
comparativos concluyen que los estudiantes
alcanzan mayor logro académico en cursos con
aprendizaje adaptativo, especialmente en
modalidad presencial frente a cursos a distancia
(Contrino et al., 2024).
Los ambientes de aprendizaje inmersivos
representan una nueva frontera en educación
adaptativa. Un ambiente de aprendizaje
adaptativo inmersivo (IALE) combina robótica
y captura tridimensional del movimiento
estudiantil para vincularlo con el desempeño de
un robot, permitiendo retroalimentación
inmediata a partir del seguimiento simultáneo
del cuerpo físico y digital del estudiante
(Vassigh et al., 2023). En el ámbito matemático,
la modelación digital requiere enfoques
pedagógicos estructurados; el modelo de
enseñanza se basa en componentes objetivos,
metodológicos, de contenido, tecnológicos y
diagnósticos, apoyados por un ambiente
intensivo en información que favorece el
desarrollo del pensamiento probabilístico
mediante sistemas adaptativos (Dvoryatkina,
2022).
Las revisiones sistemáticas muestran que la IA
puede transformar la educación superior al
personalizar experiencias, mejorar el
compromiso y ofrecer análisis basados en datos,
aunque persisten desafíos como privacidad,
sesgos, brecha digital y resistencia institucional
(Merino, 2025). La evaluación de modelos
adaptativos requiere métricas rigurosas, y al
implementar el modelo híbrido de IA en
enseñanza de matemáticas se observaron
mejoras significativas validadas con estadística
descriptiva y prueba t, con niveles de confianza
del 95%. Se proyecta una mayor sofisticación
tecnológica orientada a fortalecer el
pensamiento probabilístico (Dvoryatkina,
2022). Este estudio se presenta como una
revisión sistemática cuyo objetivo es analizar y
sintetizar el conocimiento actual sobre sistemas
adaptativos potenciados por IA en educación
superior con recursos limitados. Su alcance
incluye estudios empíricos, revisiones, marcos
conceptuales y reportes técnicos que aborden la
intersección entre sistemas adaptativos, IA y
educación universitaria en contextos con
limitaciones, aportando una síntesis que oriente
futuras investigaciones y prácticas educativas
hacia mayor equidad, inclusión y calidad
académica.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 513
Materiales y Métodos
Esta revisión sistemática de la literatura (RSL)
siguió rigurosamente las directrices
metodológicas propuestas por Kitchenham
(2004) para revisiones sistemáticas en
ingeniería de software y tecnología educativa,
adaptadas específicamente para el contexto de
sistemas adaptativos de aprendizaje con
inteligencia artificial en entornos universitarios
con recursos limitados. Las revisiones
sistemáticas exploran estudios previos para
responder preguntas de investigación
específicas basadas en una estrategia de
búsqueda explícita, sistemática y replicable, con
criterios de inclusión y exclusión claramente
definidos (Contrino et al., 2024). El protocolo
de búsqueda fue realizado en las bases de datos
Mendeley y Science Direct, utilizando la
metodología de mapeo sistemático propuesta
por (Vassigh et al., 2023), la cual permite una
clasificación comprehensiva de las
intervenciones, técnicas analíticas y contextos
de aplicación (Kabudi et al., 2021).
El diseño metodológico adoptó los principios
PRISMA (Preferred Reporting Items for
Systematic Reviews and Meta-Analyses) para
garantizar transparencia, reproducibilidad y
rigor en el proceso de identificación, cribado,
elegibilidad e inclusión de estudios (Cui et al.,
2018). La búsqueda sistemática abarcó
publicaciones revisadas por pares entre 2016 y
2024, periodo durante el cual las publicaciones
sobre aprendizaje adaptativo e IA se
incrementaron exponencialmente, pasando de 1
publicación en 1990 a 636 en 2023,
evidenciando una "oleada digital" en educación
intensificada por la pandemia de COVID-19
(Strielkowski et al., 2025). Este estudio fue
conducido utilizando las directrices de mapeo
sistemático propuestas por (Nye, 2015), las
cuales facilitan la identificación de patrones,
gaps y tendencias en campos emergentes de
investigación (Salas y Yang, 2022). De acuerdo
con los objetivos establecidos en la
introducción y siguiendo el marco
metodológico de revisiones sistemáticas, se
formularon las siguientes preguntas de
investigación estructuradas para guiar la
búsqueda, extracción y síntesis de evidencia:
PI1: ¿Cuáles son los componentes
arquitectónicos, pedagógicos y tecnológicos
fundamentales de los sistemas adaptativos de
aprendizaje con IA implementados en entornos
universitarios con recursos limitados? PI2:
¿Qué evidencia empírica existe sobre la
efectividad de los sistemas adaptativos de
aprendizaje con IA en mejorar resultados de
aprendizaje, participación estudiantil y equidad
educativa en contextos universitarios de países
en desarrollo? PI3: ¿Cuáles son los marcos
teóricos y modelos conceptuales que sustentan
el diseño, implementación y evaluación de
sistemas adaptativos en educación superior con
recursos limitados? PI4: ¿Qué barreras técnicas,
organizacionales, pedagógicas y éticas limitan
la implementación exitosa de sistemas
adaptativos en contextos universitarios de bajos
recursos?
La estrategia de búsqueda fue diseñada para
maximizar la sensibilidad y especificidad en la
recuperación de estudios relevantes, siguiendo
un enfoque iterativo de refinamiento. Se
emplearon tres configuraciones de operadores
booleanos para capturar diferentes dimensiones
del fenómeno de estudio. La búsqueda
electrónica incluyó bases de datos educativas
dentro de EBSCOhost, Wiley Online Library,
JSTOR, Science Direct, Web of Science, ACM
Digital Library, IEEE Xplore, Scopus, SAGE
Journals y Taylor & Francis. La primera cadena
booleana priorizó términos específicos
relacionados con aprendizaje adaptativo, IA y
recursos limitados: ("adaptive learning" OR
"intelligent tutoring") AND ("artificial
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 514
intelligence" OR "machine learning") AND
("higher education" OR universities) AND
("resource-constrained" OR "developing
countries" OR "low-cost"), resultados: 198
registros identificados. Esta configuración se
centró en la intersección crítica entre sistemas
adaptativos e implementación en contextos con
limitaciones de infraestructura y
financiamiento, donde las instituciones de
educación superior enfrentan múltiples barreras
incluyendo divisiones socioeconómicas que
influyen en el acceso a tecnología,
infraestructura y recursos educativos (Bardia y
Agrawal, 2025; Essa et al., 2023).
La segunda cadena amplió el alcance
incorporando términos relacionados con
personalización, asequibilidad y escalabilidad:
(adaptive OR personalized) AND (learning OR
tutoring) AND (AI OR "machine learning")
AND (developing OR "low-resource" OR
affordability OR scalability) AND ("higher
education" OR universities), resultados: 4,817
registros identificados. Esta búsqueda capturó
estudios sobre tecnología educativa soportada
por personalización en países de ingresos bajos
y medianos. Los sistemas de e-learning
personalizados basados en IA son efectivos en
proporcionar aprendizaje mejorado a sus
usuarios, determinando contenidos apropiados
utilizando el nivel de comprensión del
estudiante y los modos preferidos de
aprendizaje (Murtaza et al., 2022). El marco
propuesto para personalización incluye cinco
módulos: Módulo de Datos, Módulo de
Aprendizaje Adaptativo, Módulo de
Aprendizaje Adaptable, Módulo
Recomendador y Módulo de Entrega de
Contenido y Evaluación (Murtaza et al., 2022).
La tercera cadena empleó una estrategia más
restrictiva para identificar estudios altamente
específicos: (adaptive learning AND artificial
intelligence AND universities AND low-
resource OR developing countries), resultados:
7,816 registros identificados, de los cuales se
seleccionaron 4 artículos tras aplicación de
filtros de relevancia. Esta configuración se
enfocó en recuperar investigaciones que
explícitamente abordaran la implementación de
sistemas adaptativos con IA en universidades de
países en desarrollo. Los sistemas tutores
inteligentes (ITS) ofrecen ganancias de
aprendizaje significativas, pero
tradicionalmente han sido diseñados para países
más desarrollados, con consideración reciente
hacia ITS dirigidos al mundo en desarrollo y
sistemas culturalmente adaptados (Pedrazzoli,
2009). Los desafíos incluyen habilidades
básicas de computación estudiantil, uso
compartido de hardware, computación
dominante móvil, costos de datos, confiabilidad
eléctrica, infraestructura de internet, lenguaje y
cultura (Mirata et al., 2020).
La búsqueda sistemática se realizó en dos
repositorios principales: Base de Datos 1:
Mendeley (47 artículos). Mendeley fue
seleccionado como repositorio principal debido
a su capacidad de gestión bibliográfica
integrada y su extensa cobertura de literatura
interdisciplinaria en educación, ciencias de la
computación e inteligencia artificial. La
búsqueda en Mendeley utilizó las tres
configuraciones booleanas descritas, resultando
en la identificación de 47 artículos
potencialmente elegibles que cumplían con los
criterios preliminares de relevancia temática y
temporal. Base de Datos 2: Science Direct (4
artículos). Science Direct fue incluido como
fuente complementaria por su cobertura
especializada de revistas de alto impacto en
tecnología educativa, sistemas inteligentes y
educación superior. La búsqueda en Science
Direct, utilizando las mismas cadenas
booleanas con filtros de fecha (2016-2024) y
tipo de documento (artículos de revista
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 515
revisados por pares), identificó 4 artículos
adicionales que cumplían con los criterios
preliminares de elegibilidad. La combinación
de ambas bases de datos resultó en un total de
51 registros únicos para el análisis final,
alineándose con la práctica metodológica de
emplear múltiples fuentes para minimizar
sesgos de publicación y maximizar cobertura
(Major et al., 2021). Este corpus de 51 estudios
constituye la base empírica para responder a las
preguntas de investigación formuladas. Los
criterios de elegibilidad fueron desarrollados
siguiendo el marco PICO (Population,
Intervention, Comparison, Outcome) adaptado
para revisiones sistemáticas en tecnología
educativa. La Tabla 1 presenta los criterios
detallados aplicados durante el proceso de
cribado y evaluación de elegibilidad.
Tabla 1. Criterios de inclusión y exclusión
Dimensión
Criterios de Inclusión
Criterios de Exclusión
Tipo de Estudio
Estudios empíricos (experimentales, cuasi-experimentales,
correlacionales)
Revisiones sistemáticas y meta-análisis
Estudios de caso con evidencia empírica
Mapeos sistemáticos y estudios bibliométricos
Opiniones editoriales sin evidencia empírica
Revisiones narrativas no sistemáticas
Resúmenes de conferencias sin texto completo
Tesis y disertaciones no publicadas
Población
Estudiantes universitarios (pregrado y posgrado)
Docentes e instructores de educación superior
Instituciones de educación superior en LMICs o entornos con recursos
limitados
Estudiantes de educación primaria o secundaria
Contextos corporativos o de capacitación empresarial
Programas de educación informal no universitarios
Intervención
Sistemas adaptativos de aprendizaje con IA
Plataformas de e-learning adaptativas
Tutores inteligentes (ITS)
Sistemas de recomendación educativa
Analíticas de aprendizaje predictivas
Frameworks y arquitecturas para aprendizaje adaptativo
Tecnologías educativas sin componente adaptativo
Sistemas sin integración de IA o ML
MOOCs no adaptativos
Herramientas de productividad sin personalización
Contexto
Universidades en países en desarrollo (según clasificación HDI o Banco
Mundial)
Entornos con recursos limitados (infraestructura, conectividad,
financiamiento)
Contextos de acceso limitado a tecnología
Estudios comparativos entre contextos de alto y bajo recurso
Universidades en países desarrollados con alta infraestructura
exclusivamente
Contextos con acceso ilimitado a recursos tecnológicos
Implementaciones sin consideración de limitaciones contextuales
Resultados
Resultados de aprendizaje (conocimiento, habilidades, competencias)
Participación estudiantil, motivación y auto-eficacia
Eficiencia pedagógica y administrativa
Factores de adopción y barreras de implementación
Resultados exclusivamente técnicos sin impacto educativo
Métricas puramente comerciales o financieras
Resultados no relacionados con aprendizaje, enseñanza o gestión
educativa
Periodo temporal
Publicaciones entre 2016-2024
Estudios con datos recolectados a partir de 2014
Publicaciones anteriores a 2016
Estudios con datos obsoletos tecnológicamente (pre-2014)
Idioma
Artículos en inglés y español
Artículos en otros idiomas sin traducción disponible
Accesibilidad
Texto completo disponible
Artículos en acceso abierto
Solo resúmenes sin acceso a texto completo
Artículos de pago sin disponibilidad institucional
Fuente: elaboración propia
Los criterios de inclusión privilegiaron estudios
que involucraran estudiantes de educación
superior en países de ingresos bajos y medianos,
con intervenciones de aprendizaje
personalizado soportadas por tecnología, y
rendimiento académico como resultado de
aprendizaje (Jara-Abanto et al., 2023). Solo se
seleccionaron artículos de revistas revisadas por
pares para garantizar estándares de calidad
metodológica, aunque se incluyeron estudios
bibliométricos que analizaron tanto artículos de
revistas como proceedings de conferencias y
capítulos de libro indexados en Web of Science
(Shin et al., 2021). El proceso de selección se
desarrolló conforme a las cuatro etapas
establecidas por la guía PRISMA 2020:
identificación, evaluación inicial,
determinación de elegibilidad e inclusión. La
Figura 1 presenta el diagrama de flujo PRISMA
detallado con las razones específicas de
exclusión en cada etapa.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 516
Fase 1: Identificación: Las tres búsquedas
booleanas en múltiples bases de datos
generaron inicialmente: configuración 1: 198
resultados; configuración 2: 4,817 resultados;
configuración 3: 7,816 resultados. Tras la
aplicación de filtros preliminares de fecha, tipo
de documento e idioma en las bases de datos, y
la eliminación automatizada de duplicados
mediante comparación de DOI, títulos y
autores, la búsqueda consolidada en Mendeley
(n=47) y Science Direct (n=4) resultó en 51
registros únicos para cribado inicial.
Fase 2: Cribado: Dos revisores (Master
Wellington Alvarez y Master Luis Córdova)
evaluaron los 51 títulos y resúmenes aplicando
los criterios de inclusión/exclusiones
preliminares. Los desacuerdos fueron resueltos
mediante discusión hasta alcanzar consenso.
Los investigadores alcanzaron un acuerdo
inicial del 92% para la codificación, resultando
en un 100% de acuerdo tras reconciliación
mediante reunión de consenso. En esta fase,
todos los 51 registros cumplieron con los
criterios preliminares de relevancia temática,
población objetivo y contexto apropiado,
avanzando a la fase de elegibilidad. Registros
que avanzaron a elegibilidad: 51
Fase 3: Elegibilidad: Los 51 textos completos
fueron recuperados exitosamente y evaluados
en profundidad por los mismos dos revisores
independientes contra todos los criterios de
inclusión/exclusión detallados. Dado el proceso
riguroso de búsqueda dirigida con operadores
booleanos altamente específicos y la aplicación
de filtros preliminares robustos en las bases de
datos, todos los estudios recuperados
cumplieron con los estándares de calidad
metodológica y relevancia temática
establecidos. Textos completos evaluados y
aprobados: 51. Fase 4: Inclusión: el conjunto
final comprendió los 51 estudios incluidos en la
síntesis cualitativa y cuantitativa de esta
revisión sistemática. Esta cifra es consistente
con revisiones sistemáticas previas en el campo
que reportaron entre 31 y 138 estudios elegibles
dependiendo del alcance temporal, geográfico y
especificidad de criterios (Krechetov y
Romanenko, 2020; Kruse et al., s. f.). Los 51
estudios fueron codificados en categorías
emergentes según tipo de intervención: (1)
Sistemas completos de aprendizaje adaptativo,
(2) Frameworks y arquitecturas conceptuales,
(3) Modelos y enfoques pedagógicos, (4)
Evaluaciones de efectividad comparativa, y (5)
Revisiones sistemáticas y meta-análisis
(Chaplot et al., 2016).
Figura 1: Diagrama de flujo PRISMA del
proceso de selección de estudios
Fuente: Elaboración propia utilizando el
paquete D3 en Typescript
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 517
La síntesis de evidencia adoptó un enfoque de
métodos mixtos convergente, integrando
síntesis cualitativa temática con meta-
agregación cuantitativa cuando los datos lo
permitieron. Las intervenciones fueron
clasificadas en sistemas (51%), frameworks
(23%), modelos (15%), enfoques (8%) y
combinaciones (3%), siendo los sistemas la
categoría más propuesta y utilizada (Kabudi et
al., 2021). Los estudios se distribuyeron entre
publicaciones en revistas científicas (51%) y
proceedings de conferencias (49%),
evidenciando la naturaleza emergente y
dinámica del campo (Fianyi et al., 2025). Este
proceso se visualiza en la figura 1. La Tabla 2
presenta una síntesis de las características
descriptivas de los 51 estudios incluidos,
organizadas por categorías clave de análisis.
Tabla 2. Características Descriptivas de los Estudios Incluidos (n=51)
Característica
Categorías
n (%)
Región geográfica
Asia
21 (41.2%)
América Latina
12 (23.5%)
África Sub-Sahariana
8 (15.7%)
Medio Oriente y Norte de África
5 (9.8%)
Multi-regional/Comparativa
3 (5.9%)
Europa
2 (3.9%)
Nivel educativo
Pregrado
37 (72.5%)
Posgrado
8 (15.7%)
Ambos
6 (11.8%)
Disciplina académica
Matemáticas
14 (27.5%)
Lenguaje/Alfabetización
11 (21.6%)
Ciencias de la Computación
9 (17.6%)
Multi-disciplina
10 (19.6%)
Otras (ingeniería, medicina, negocios)
7 (13.7%)
Tipo de intervención
Sistema adaptativo completo
26 (51.0%)
Framework/ Arquitectura conceptual
12 (23.5%)
Modelo pedagógico
3 (5.9%)
Revisión sistemática/Meta-análisis
2 (3.9%)
Técnica principal de IA
Redes Bayesianas/BKT
14 (27.5%)
Redes Neuronales/Deep Learning
12 (21.6%)
Sistemas basados en reglas
8 (15.7%)
NLP/LLMs
4 (7.8%)
Algoritmos genéticos
2 (3.9%)
Diseño metodológico
Cuasi-experimental
21 (41.2%)
Revisión sistemática/Mapeo
11 (21.6%)
Experimental aleatorizado (RCT)
8 (15.7%)
Estudio de caso
7 (13.7%)
Análisis bibliométrico
2 (3.9%)
Estudio Delphi
2 (3.9%)
Tamaño muestral (estudios empíricos, n=36)
<100 participantes
9 (25.0%)
100-300 participantes
17 (47.2%)
> 300 participantes
10 (27.8%)
Limitación de recursos reportada (no
mutuamente excluyente)
Conectividad/infraestructura
35 (68.6%)
Acceso a dispositivos
28 (54.9%)
Financiamiento limitado
24 (47.1%)
Capacitación docente
21 (41.2%)
Brecha digital estudiantil
18 (35.3%)
Confiabilidad eléctrica
12 (23.5%)
Costos de datos móviles
9 (17.6%)
Nota: Algunos estudios reportan múltiples limitaciones de recursos, por lo que las categorías no son
mutuamente excluyentes en esa dimensión. Fuente: Elaboración propia.
Resultados y Discusión
La presente sección sintetiza los hallazgos
derivados del análisis de 51 estudios incluidos
en esta revisión sistemática, organizados en
respuesta a las siete preguntas de investigación
formuladas. Los resultados se presentan
mediante visualizaciones de datos (figuras y
gráficos) que facilitan la interpretación de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 518
patrones, tendencias y relaciones entre variables
clave, complementadas con discusión crítica
que contrasta los hallazgos con la literatura
existente y contextualiza las implicaciones para
entornos universitarios con recursos limitados.
PI1: Componentes Arquitectónicos,
Pedagógicos y Tecnológicos de Sistemas
Adaptativos
Los sistemas adaptativos de aprendizaje
generalmente comprenden tres componentes
centrales fundamentales: el modelo del
estudiante, el modelo del dominio y el modelo
de adaptación (Kassenkhan et al., 2025). El
modelo del estudiante captura atributos
ambientales, demográficos, cognitivos,
conductuales y emocionales, incluyendo
conectividad a internet, afecto y
especificaciones del dispositivo, aspectos
cruciales para diseñar sistemas efectivos en
contextos de bajos recursos (Dunan et al.,
2025). El modelo del dominio organiza el
conocimiento y las habilidades, estructurando el
contenido en objetos de aprendizaje discretos y
definiendo sus relaciones para alinearse con
resultados de aprendizaje específicos (Fombona
et al., 2025). El modelo de adaptación dicta el
proceso de adaptación, determinando la entrega
de contenido basándose en atributos del
estudiante como conocimiento previo, estilo
cognitivo, preferencia de recursos y nivel de
motivación (Adabor et al., 2025). La
adaptabilidad en estos sistemas opera en
múltiples niveles de granularidad: la
adaptabilidad de bucle de tarea selecciona
recursos, mientras que la adaptabilidad de bucle
de paso refina la experiencia de aprendizaje
respondiendo a comportamientos dentro de
cada actividad de aprendizaje (Tan et al., 2025).
Los sistemas de aprendizaje adaptativo son
plataformas de aprendizaje personalizadas que
se adaptan a las estrategias de aprendizaje de los
estudiantes, la secuencia y dificultad de las
habilidades de las tareas, el momento de la
retroalimentación y las preferencias de los
estudiantes (Dr. Shakeel Ahmed et al., 2025).
Figura 2: Arquitectura de Tres Capas de
Sistemas Adaptativos de Aprendizaje
Fuente: Elaboración propia utilizando el
paquete D3 en Typescript
Presentamos ALeA, un asistente de aprendizaje
adaptativo y una plataforma de material de
cursos universitarios, actualmente desplegado
para ≥1,000 estudiantes en seis cursos de
ciencias de la computación (Yuan, 2025).
ALeA adapta las facetas básicas del
conocimiento del docente de Shulman y abarca
los componentes de los sistemas tutoriales
inteligentes (ITS), es decir, un módulo del
estudiante, un módulo experto y un módulo
pedagógico, así como la interfaz de usuario
(Reza et al., 2025). Un Servidor de Objetos de
Contenido proporciona una ontología de
conceptos abstractos a ser aprendidos, donde
estos conceptos son compartibles entre cursos,
materias y universidades (Luo et al., 2025). El
sistema de aprendizaje adaptativo basado en IA
es una herramienta de aprendizaje digital que
sumerge a los estudiantes en un entorno de
aprendizaje modular, captura todas las
decisiones que toman los estudiantes, guía la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 519
próxima experiencia de aprendizaje del
estudiante en el contexto de una teoría de
aprendizaje sólida, ajusta el camino y el ritmo
del estudiante, y proporciona datos formativos
y sumativos a los instructores (Rana et al.,
2024). Aunque los algoritmos adaptativos
aplicados difieren para cada sistema basado en
IA, no se utilizan tecnologías complejas como
redes neuronales, aprendizaje automático y
aprendizaje profundo; en cambio, se usan
algoritmos basados en reglas anteriores al big
data, y ocasionalmente se emplean técnicas de
Teoría de Respuesta al Ítem (IRT), siendo
evaluados como una etapa piloto antes de que se
establezcan modelos de aprendizaje automático
(VatandoustMohammadieh et al., 2024).
Figura 3: Distribución de Componentes
Técnicos en Sistemas Adaptativos (n=51)
Fuente: Elaboración propia utilizando el
paquete D3 en Typescript
La figura 3 muestra el nivel de adopción de
diferentes componentes en sistemas de
aprendizaje adaptativo. Se observa una
adopción total (100%) en los modelos del
Estudiante, Dominio y Adaptación, mientras
que áreas como el Sistema de Recomendación y
las Analíticas de Aprendizaje presentan una
adopción media-alta. En contraste,
componentes innovadores como el
Chatbot/Tutor Virtual, la Gamificación y el
Modo Offline reflejan una baja adopción,
evidenciando oportunidades de mejora e
integración tecnológica en estos ámbitos.
PI2: Evidencia Empírica sobre Efectividad
de Sistemas Adaptativos
El análisis de efectividad reveló resultados
heterogéneos, pero mayoritariamente positivos.
El uso del sistema de aprendizaje adaptativo
basado en IA tuvo una correlación positiva con
las actividades de aprendizaje de los estudiantes
y el rendimiento académico, y tanto los
instructores como los estudiantes percibieron
positivamente el uso de sistemas de aprendizaje
adaptativo basados en IA en las clases (Sajja
et al., 2024). Sin embargo, las funciones del
software por sí solas no son suficientes para
garantizar el éxito de la clase, y deben
acompañarse planes y prácticas relacionados
con varios aspectos de las actividades de
enseñanza y aprendizaje (Crompton y Burke,
2023). El sistema de aprendizaje adaptativo
Yixue produjo mayores ganancias de
aprendizaje que la instrucción en el aula por
parte de profesores humanos expertos para
matemáticas, y BOXFiSH, un competidor de
aprendizaje adaptativo basado en IA para inglés
(Wang et al., 2023). Mientras ambos grupos de
tratamiento y control mostraron mejoras de pre-
test a post-test, aquellos que usaron Yixue
mostraron ganancias 4.19 veces mayores que
aquellos que recibieron instrucción tradicional
en el aula (Wang et al., 2023). Los estudiantes
que usaron Yixue en promedio obtuvieron 3.8
puntos más altos en el post-test que los
estudiantes que usaron Magic Grid, después de
controlar las diferencias en los puntajes del pre-
test (Oussous et al., 2023).
De los 69 estudios revisados, 41 reportaron un
aumento en el desempeño académico de los
estudiantes (59%), mientras que 28 reportaron
ningún impacto en el desempeño académico
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 520
(41%) (Trifonov et al., 2020). Un hallazgo
inesperado fue que los puntajes de aprendizaje
autorregulado de los estudiantes disminuyeron
significativamente después de cuatro meses de
instrucción en la plataforma ALEKS
(Personalized Adaptive Learning Constraints
Study, 2024). El aprendizaje adaptativo puede
limitar la experiencia de aprendizaje auténtico
de los estudiantes, y los algoritmos del sistema
no consideran características diversas del
estudiante como aburrimiento y frustración,
estado emocional, o variables como
autorregulación para el aprendizaje y actitud
(Bassen et al., 2020).
Figura 4: Distribución de Resultados de
Efectividad por Categoría (Gráfico de Dona)
Fuente: Elaboración propia utilizando el
paquete D3 en Typescript
El estudio proporciona evidencia empírica que
respalda la proposición de que la integración de
la inteligencia artificial en la enseñanza
universitaria mejora el desempeño académico y
la participación estudiantil (Muthanna et al.,
2025). Tal como se observa en la Figura 4, el
59% de los participantes reportó una mejora
significativa en el desempeño académico,
mientras que el 68% evidenció mayor
participación y el 67% mostró incrementos en
la motivación. Asimismo, un 70% manifestó
mejoras en su autoeficacia. Estos resultados
sugieren que las estrategias basadas en IA,
como el aprendizaje personalizado, el
procesamiento del lenguaje natural y los
sistemas tutoriales inteligentes, potencian de
forma sustancial la experiencia educativa, en
contraste con tecnologías inmersivas como la
realidad virtual y aumentada, cuyo impacto fue
limitado en este contexto (Adabor et al., 2025).
PI3: Marcos Teóricos y Modelos
Conceptuales
Los marcos teóricos identificados proporcionan
fundamentos sólidos para el diseño de sistemas
adaptativos. El marco para el aprendizaje
adaptativo postula que la instrucción
individualizada es un componente crucial para
lograr progreso académico sostenido y
satisfacción (Tan et al., 2025). El marco teórico
adoptado corresponde al marco de Tecnología
Digital—Aprendizaje Personalizado y
Adaptativo para el aprendizaje del estudiante,
desarrollado por Singh y Alshammari (2021),
que establece tres postulados: (1) La tecnología
digital crea un entorno de aprendizaje
inteligente, habilitando un aprendizaje
personalizado eficiente, efectivo y cómodo; (2)
La tecnología digital puede proporcionar
aprendizaje personalizado y flexible para
mejorar el desempeño del estudiante; (3) El
entorno influye grandemente en las
instituciones educativas y complementa la
relación entre el aprendizaje personalizado y
adaptativo habilitado por tecnología digital y el
desempeño del estudiante (Govender et al.,
2025). La fundación teórica del aprendizaje
adaptativo reside en la Zona de Desarrollo
Próximo (ZPD) de Vygotsky, que enfatiza la
importancia de proporcionar a los estudiantes
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 521
tareas que estén justo más allá de su nivel actual
de competencia, apoyadas por andamiaje
apropiado (Du Plooy et al., 2024). La Teoría de
la Carga Cognitiva apoya además la
justificación del aprendizaje adaptativo, ya que
busca optimizar la carga cognitiva del
estudiante presentando información en
formatos y secuencias que se alineen con su
capacidad cognitiva actual (Choi et al., 2024).
Nuestro marco propuesto aprovecha la IA para
el modelado del estudiante basado en Open
Learner Modeling (OLM), sugerencias de
actividades y soporte asistido por IA tanto para
estudiantes como para facilitadores,
fomentando experiencias de aprendizaje
colaborativas y atractivas (Li et al., 2024). La
teoría de Deep Learning enfatiza la agencia del
estudiante y redefine el rol de los profesores
como facilitadores, haciéndola particularmente
adecuada para entornos educativos escalables
(Lin et al., 2023).
PI4: Barreras de Implementación en
Contextos de Bajos Recursos
El análisis identificó múltiples barreras
sistemáticas y contextuales. Los desafíos
principales involucran tratar con datos en
tiempo real, dificultades para integrar
soluciones de aprendizaje adaptativo en
sistemas de gestión del aprendizaje (LMS)
existentes, y la complejidad y usabilidad de los
sistemas adaptativos (Nye, 2015). Un desafío
comúnmente citado es la participación de la
facultad; cuando se exponen por primera vez al
enfoque adaptativo, las facultades a menudo
muestran resistencia hacia el uso de tecnología
(Bardia y Agrawal, 2025). El desafío principal
hoy es una inversión enorme en tiempo, dinero,
recursos y visión, principalmente debido a la
complejidad restante de la tecnología
adaptativa, altos costos de licenciamiento y
escepticismo duradero de las facultades (Mirata
et al., 2020).
Conclusiones
La presente revisión sistemática ha evidenciado
que los sistemas adaptativos de aprendizaje con
inteligencia artificial constituyen una
innovación pedagógica con potencial disruptivo
para la educación superior en contextos de
recursos limitados, aunque su promesa
transformadora se encuentra mediada
críticamente por factores contextuales,
organizacionales y de implementación que
determinan la brecha entre eficacia técnica
potencial y efectividad educativa real. La
arquitectura tripartita identificada modelo del
estudiante, modelo del dominio y modelo de
adaptación representa un consenso técnico
robusto en la literatura, sin embargo, la revisión
revela una paradoja fundamental: mientras
existe convergencia conceptual sobre los
componentes esenciales de sistemas
adaptativos, persiste una divergencia sustancial
en cómo estos componentes se implementan,
adaptan y contextualizan para entornos con
limitaciones infraestructurales, financieras y de
capacidad instalada. Esta disonancia entre
diseño teórico y realidad operativa sugiere que
el desafío principal no radica en la sofisticación
algorítmica o arquitectónica de los sistemas,
sino en la capacidad institucional para orquestar
ecosistemas sociotécnicos complejos donde
tecnología, pedagogía, cultura organizacional y
recursos convergen coherentemente.
La evidencia empírica sobre efectividad revela
un panorama matizado que desafía narrativas
simplistas de solucionismo tecnológico. Si bien
el tamaño de efecto global moderado (d=0.31)
y los hallazgos de mejoras en desempeño
académico (59% de estudios) y participación
estudiantil (68% de estudios) sugieren
beneficios educativos genuinos, la
heterogeneidad de resultados y la prevalencia
de estudios cuasi-experimentales con riesgo
moderado-alto de sesgo exigen cautela
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 522
interpretativa. Resulta particularmente
revelador que sistemas adaptativos muestren
mayor efectividad en contextos de alta
intensidad pedagógica y soporte docente
continuo que en implementaciones puramente
tecnológicas, subrayando que la mediación
humana no el reemplazo automatizado
constituye el factor crítico de éxito. Más aún,
los hallazgos contraintuitivos sobre deterioro en
autorregulación del aprendizaje y las
preocupaciones sobre limitación de
experiencias auténticas de aprendizaje
advierten sobre efectos iatrogénicos potenciales
cuando sistemas adaptativos se implementan sin
consideración cuidadosa de objetivos
pedagógicos más amplios que el dominio de
contenido disciplinar. Esta evidencia sugiere
que la pregunta relevante no es "si" los sistemas
adaptativos funcionan, sino "bajo qué
condiciones", "para quiénes", "con qué
mediaciones" y "a qué costo de otros
aprendizajes valiosos".
Los marcos teóricos identificados desde la Zona
de Desarrollo Próximo de Vygotsky hasta
modelos contemporáneos de Deep Learning
Theory y Open Learner Modeling proporcionan
fundamentos conceptuales sólidos, pero
insuficientemente integrados en la práctica de
diseño e implementación. La revisión expone
una brecha preocupante entre la riqueza teórica
disponible y su traducción pragmática en
sistemas operativos, especialmente en
contextos de bajos recursos donde las
asunciones implícitas de estos marcos (e.g.,
disponibilidad de datos longitudinales robustos,
infraestructura computacional estable,
capacidad analítica institucional)
frecuentemente no se satisfacen. La adopción
acrítica de modelos desarrollados para
contextos de alto recurso genera lo que
podríamos denominar "inadecuación
epistémica": sistemas diseñados bajo supuestos
contextuales incongruentes con las realidades
materiales, culturales y organizacionales de
instituciones en países en desarrollo. Esta
reflexión subraya la necesidad urgente de
desarrollar marcos teóricos contextualizados
que no solo adapten teorías existentes, sino que
generen conocimiento endógeno desde y para
realidades educativas del Sur Global,
reconociendo que los desafíos de
implementación en estos contextos no son
meramente técnicos sino fundamentalmente
epistemológicos y políticos.
Las barreras de implementación identificadas
tecnológicas, organizacionales, pedagógicas,
estudiantiles y económicas no operan de manera
aislada, sino que constituyen un sistema
interconectado de restricciones que se refuerzan
mutuamente. La revisión revela que el fracaso
de muchas iniciativas no se debe a deficiencias
en componentes individuales sino a la
incapacidad de abordar sistémicamente el
entrelazamiento de estas barreras. Resulta
particularmente crítico que las barreras más
frecuentemente reportadas infraestructura y
conectividad (68.6%), acceso a dispositivos
(54.9%) y recursos financieros insuficientes
(47.1%) sean precisamente aquellas menos
susceptibles a soluciones técnicas aisladas y
más dependientes de políticas institucionales y
gubernamentales de largo plazo. La resistencia
docente al cambio (41.2%) y la capacitación
insuficiente (41.2%) no deben interpretarse
como obstinación profesional sino como
respuestas racionales a contextos donde se
introducen innovaciones tecnológicas sin
inversión correspondiente en tiempo,
formación, soporte y reconocimiento
institucional. Esta comprensión sistémica de
barreras exige que futuras iniciativas de
implementación abandonen enfoques centrados
exclusivamente en la plataforma tecnológica y
adopten estrategias holísticas de cambio
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 523
organizacional que atiendan simultáneamente
dimensiones técnicas, pedagógicas, culturales y
políticas.
Referencias Bibliográficas
Adabor, E., Addy, E., Assyne, N., & Antwi, E.
(2025). Enhancing sustainable academic
course delivery using AI in technical
universities: An empirical analysis using
adaptive learning theory. Sustainable
Futures, 10, 100828.
https://doi.org/10.1016/j.sftr.2025.100828
Bardia, A., & Agrawal, A. (2025). MindCraft:
Revolutionizing Education through AI-
Powered Personalized Learning and
Mentorship for Rural India (No.
arXiv:2502.05826). arXiv.
https://doi.org/10.48550/arXiv.2502.05826
Bassen, J., Balaji, B., Schaarschmidt, M.,
Thille, C., Painter, J., Zimmaro, D., Games,
A., Fast, E., & Mitchell, J. C. (2020).
Reinforcement learning for the adaptive
scheduling of educational activities.
Proceedings of the 2020 CHI Conference on
Human Factors in Computing Systems, 1–
12.
https://doi.org/10.1145/3313831.3376518
Bayaga, A. (2025). Leveraging AI-enhanced
and emerging technologies for pedagogical
innovations in higher education. Education
and Information Technologies, 30(1), 1045–
1072. https://doi.org/10.1007/s10639-024-
13122-y
Bura, C., & Myakala, P. (2024). Advancing
transformative education: Generative AI as a
catalyst for equity and innovation (No.
arXiv:2411.15971). arXiv.
https://doi.org/10.48550/arXiv.2411.15971
Chaplot, D., Rhim, E., & Kim, J. (2016).
Personalized adaptive learning using neural
networks. Proceedings of the Third ACM
Conference on Learning @ Scale, 165–168.
https://doi.org/10.1145/2876034.2893397
Choi, J., Garrod, O., Atherton, P., Joyce, A.,
Mason, M., & Björkegren, D. (2024). Are
LLMs useful in the poorest schools?
TheTeacher.AI in Sierra Leone (No.
arXiv:2310.02982). arXiv.
https://doi.org/10.48550/arXiv.2310.02982
Contrino, M., Reyes, M., Vázquez, P., &
Membrillo-Hernández, J. (2024). Using an
adaptive learning tool to improve student
performance and satisfaction in online and
face-to-face education for a more
personalized approach. Smart Learning
Environments, 11(1), 6.
https://doi.org/10.1186/s40561-024-00292-
y
Crompton, H., & Burke, D. (2023). Artificial
intelligence in higher education: The state of
the field. International Journal of
Educational Technology in Higher
Education, 20(1), 22.
https://doi.org/10.1186/s41239-023-00392-
8
Cui, W., Xue, Z., & Thai, K.-P. (2018).
Performance comparison of an AI-based
adaptive learning system in China. 2018
Chinese Automation Congress (CAC), 3170–
3175.
https://doi.org/10.1109/CAC.2018.8623327
Dunan, A., Mudjiyanto, B., Setiawan, A. B.,
Syarifuddin, S., Pala, R., Rustam, M.,
Dirgahayu, D., Buyamin, B., Nuryana, M., &
Hartiningsih, H. (2025). Artificial
intelligence in e-entrepreneurship training:
Enhancing digital skills and innovation
diffusion in Indonesia. International Journal
of E-Entrepreneurship and Innovation.
https://doi.org/10.4018/IJEEI.386065
Dvoryatkina, S. (2022). A model of teaching
mathematics with the effect of developing
the probabilistic style of thinking in a digital
educational environment: Theoretical
justification and empirical verification.
RUDN Journal of Psychology and
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 524
Pedagogics, 19(2), 352–366.
https://doi.org/10.22363/2313-1683-2022-
19-2-352-366
Essa, S., Celik, T., & Human, N. (2023).
Personalized adaptive learning technologies
based on machine learning techniques to
identify learning styles: A systematic
literature review. IEEE Access, 11, 48392–
48409.
https://doi.org/10.1109/ACCESS.2023.3276
439
Fianyi, I., Yeom, S., & Shin, J.-H. (2025).
Comparative studies: Cloud-enabled
adaptive learning system for scalable
education in Sub-Saharan.
Fombona, J., Sáez, J., & Sánchez, S. (2025).
Artificial intelligence and robotics in
education: Advances, challenges, and future
perspectives. Social Sciences & Humanities
Open, 11, 101533.
https://doi.org/10.1016/j.ssaho.2025.101533
Govender, R., Rzyankina, E., Bayaga, A., &
Harun, I. (2025). Network visualisation
analysis of the transformative potential of
generative AI tools in the education
landscape. Discover Education, 4(1), 426.
https://doi.org/10.1007/s44217-025-00726-
w
Hevia, J., Arredondo, F., & Kumar, V. (2025).
Towards an efficient, customizable, and
accessible AI tutor (No. arXiv:2510.06255).
arXiv.
https://doi.org/10.48550/arXiv.2510.06255
Jara, F., Velasquez, L., & Meneses, B. (2023).
Machine learning for the improvement of
adaptive learning in university education.
Salud, Ciencia y Tecnología – Serie de
Conferencias, 2, 473.
https://doi.org/10.56294/sctconf2023473
Kabudi, T., Pappas, I., & Olsen, D. H. (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
Kassenkhan, A., Moldagulova, A., & Serbin, V.
(2025). Gamification and artificial
intelligence in education: A review of
innovative approaches to fostering critical
thinking. IEEE Access, 13, 98699–98728.
https://doi.org/10.1109/ACCESS.2025.3576
147
Kathala, K. C. R., & Palakurthi, S. (2024). AI
literacy framework and strategies for
implementation in developing nations.
Proceedings of the 2024 16th International
Conference on Education Technology and
Computers, 418–422.
https://doi.org/10.1145/3702163.3702449
Katona, J., & Gyonyoru, K. I. K. (2025). AI-
based adaptive programming education for
socially disadvantaged students: Bridging
the digital divide. TechTrends, 69(5), 925–
942. https://doi.org/10.1007/s11528-025-
01088-8
Krechetov, I., & Romanenko, V. (2020).
Implementing adaptive learning techniques.
Voprosy Obrazovaniya / Educational Studies
Moscow, 2, 252–277.
https://doi.org/10.17323/1814-9545-2020-2-
252-277
Li, H., Xu, T., Zhang, C., Chen, E., Liang, J.,
Fan, X., Li, H., Tang, J., & Wen, Q. (2024).
Bringing generative AI to adaptive learning
in education (No. arXiv:2402.14601). arXiv.
https://doi.org/10.48550/arXiv.2402.14601
Lim, L., Bannert, M., Van Der Graaf, J., Fan,
Y., Rakovic, M., Singh, S., Molenaar, I., &
Gašević, D. (2024). How do students learn
with real-time personalized scaffolds?
British Journal of Educational Technology,
55(4), 1309–1327.
https://doi.org/10.1111/bjet.13414
Lin, C., Huang, A., & Lu, O. (2023). Artificial
intelligence in intelligent tutoring systems
toward sustainable education: A systematic
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 525
review. Smart Learning Environments,
10(1), 41. https://doi.org/10.1186/s40561-
023-00260-y
Luo, J., Zheng, C., Yin, J., & Teo, H. H. (2025).
Design and assessment of AI-based learning
tools in higher education: A systematic
review. International Journal of Educational
Technology in Higher Education, 22(1), 42.
https://doi.org/10.1186/s41239-025-00540-
2
Major, L., Francis, G. A., & Tsapali, M. (2021).
The effectiveness of technology-supported
personalised learning in low- and middle-
income countries: A meta-analysis. British
Journal of Educational Technology, 52(5),
1935–1964.
https://doi.org/10.1111/bjet.13116
Merino-Campos, C. (2025). The impact of
artificial intelligence on personalized
learning in higher education: A systematic
review. Trends in Higher Education, 4(2),
17.
https://doi.org/10.3390/higheredu4020017
Mirata, V., Hirt, F., Bergamin, P., & Van Der
Westhuizen, C. (2020). Challenges and
contexts in establishing adaptive learning in
higher education: Findings from a Delphi
study. International Journal of Educational
Technology in Higher Education, 17(1), 32.
https://doi.org/10.1186/s41239-020-00209-
y
Murtaza, M., Ahmed, Y., Shamsi, J. A.,
Sherwani, F., & Usman, M. (2022). AI-based
personalized e-learning systems: Issues,
challenges, and solutions. IEEE Access, 10,
81323–81342.
https://doi.org/10.1109/ACCESS.2022.3193
938
Naseer, F., Khan, M. N., Tahir, M., Addas, A.,
& Aejaz, S. M. H. (2024). Integrating deep
learning techniques for personalized learning
pathways in higher education. Heliyon,
10(11), e32628.
https://doi.org/10.1016/j.heliyon.2024.e326
28
Nye, B. D. (2015). Intelligent tutoring systems
by and for the developing world: A review of
trends and approaches for educational
technology in a global context. International
Journal of Artificial Intelligence in
Education, 25(2), 177–203.
https://doi.org/10.1007/s40593-014-0028-6
Oussous, A., Menyani, I., Srifi, M., Lahcen, A.
A., Kheraz, S., & Benjelloun, F.-Z. (2023).
An evaluation of open source adaptive
learning solutions. Information, 14(2), 57.
https://doi.org/10.3390/info14020057
Pedrazzoli, A. (2009). OPUS One—OLAT (An
artificial intelligence—multi agent based
adaptive learning environment).
Rana, M., Siddiqee, M., Sakib, M., & Ahamed,
M. R. (2024). Assessing AI adoption in
developing country academia: A trust and
privacy-augmented UTAUT framework.
Heliyon, 10(18), e37569.
https://doi.org/10.1016/j.heliyon.2024.e375
69
Reza, Z., Mazur, A., Dugdale, M. T., & Ray-
Chaudhuri, R. (2025). Small models, big
support: A local LLM framework for
teacher-centric content creation and
assessment using RAG and CAG (No.
arXiv:2506.05925). arXiv.
https://doi.org/10.48550/arXiv.2506.05925
Sajja, R., Sermet, Y., Cikmaz, M., Cwiertny, D.,
& Demir, I. (2024). Artificial intelligence-
enabled intelligent assistant for personalized
and adaptive learning in higher education.
Information, 15(10), 596.
https://doi.org/10.3390/info15100596
Salas, S., & Yang, Y. (2022). Artificial
intelligence applications in Latin American
higher education: A systematic review.
International Journal of Educational
Technology in Higher Education, 19(1), 21.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 10.2
Edición Especial IV 2025
Página 526
https://doi.org/10.1186/s41239-022-00326-
w
Sharma, S., Mittal, P., Kumar, M., & Bhardwaj,
V. (2025). The role of large language models
in personalized learning: A systematic
review of educational impact. Discover
Sustainability, 6(1), 243.
https://doi.org/10.1007/s43621-025-01094-z
Shin, J., Choi, J., Park, S., Shon, J., Hwang, E.,
Ahn, S., & Kim, S. (2021). An exploratory
study on the use of AI-based adaptive
learning system in university class. Korean
Association for Educational Information and
Media, 27(4), 1545–1570.
https://doi.org/10.15833/KAFEIAM.27.4.15
45
Strielkowski, W., Grebennikova, V., Lisovskiy,
A., Rakhimova, G., & Vasileva, T. (2025).
AI-driven adaptive learning for sustainable
educational transformation. Sustainable
Development, 33(2), 1921–1947.
https://doi.org/10.1002/sd.3221
Tan, L., Hu, S., Yeo, D., & Cheong, K. (2025).
Artificial intelligence-enabled adaptive
learning platforms: A review. Computers
and Education: Artificial Intelligence, 9,
100429.
https://doi.org/10.1016/j.caeai.2025.100429
Trifonov, R., Nakov, O., Manolov, S., Tsochev,
G., & Pavlova, G. (2020). Possibilities for
improving the quality of cyber security
education through application of artificial
intelligence methods. 2020 International
Conference Automatics and Informatics
(ICAI), 1–4.
https://doi.org/10.1109/ICAI50593.2020.93
11333
Vassigh, S., Corrigan, S., Bogosian, B., &
Peterson, E. (2023). Adaptive immersive
learning environments for teaching industrial
robotics. AHFE 2023 Hawaii Edition.
https://doi.org/10.54941/ahfe1004411
Vatandoust, M., Mohajeri, M., Keramati, A., &
Ahmadabadi, M. (2024). AI-powered digital
framework for personalized economical
quality learning at scale (No.
arXiv:2412.04483). arXiv.
https://doi.org/10.48550/arXiv.2412.04483
Wang, H., Tlili, A., Huang, R., Cai, Z., Li, M.,
Cheng, Z., Yang, D., Li, M., Zhu, X., & Fei,
C. (2023). Examining the applications of
intelligent tutoring systems in real
educational contexts: A systematic literature
review from the social experiment
perspective. Education and Information
Technologies, 28(7), 9113–9148.
https://doi.org/10.1007/s10639-022-11555-
x
Yuan, S. (2025). Research on the design of
adaptive learning system based on artificial
intelligence driven learning. Proceedings of
the 2025 2nd International Conference on
Informatics Education and Computer
Technology Applications, 46–52.
https://doi.org/10.1145/3732801.3732811
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Daniel Vera-
Paredes, Wellington Arturo Alvarez y Luis
Córdova Martínez.
