Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edició Especial I 2026
Página 122
APLICACIONES DE LA INTELIGENCIA ARTIFICIAL Y EL DEEP LEARNING EN LA
PERSONALIZACIÓN ADAPTATIVA DEL APRENDIZAJE
APPLICATIONS OF ARTIFICIAL INTELLIGENCE AND DEEP LEARNING IN
ADAPTIVE PERSONALIZATION OF LEARNING
Autores: ¹Lizbeth Maritza Chico Lema, ²Carlos Fernando Moya López, ³Andrés Julián Choez
Chiliquinga y
4
Sebastián Alejandro Yaguana Toaquiza.
¹ORCID ID: https://orcid.org/0009-0007-5952-2697
²ORCID ID: https://orcid.org/0000-0002-1029-1484
³ORCID ID: https://orcid.org/0009-0004-1440-8709
4
ORCID ID:
https://orcid.org/0009-0005-6855-301X
¹E-mail de contacto: lizbeth.chico@uaw.edu.ec
²E-mail de contacto: carlos.moya@uaw.edu.ec
³E-mail de contacto: andres.choez@uaw.edu.ec
4
E-mail de contacto:
sebastian.yaguana@uaw.edu.ec
Afiliación:
1*2*3*4*
Universidad Intercultural de las Nacionalidades y Pueblos Indígenas Amawtay Wasi, (Ecuador).
Articulo recibido:23 de Diciembre del 2025
Articulo revisado: 25 de Diciembre del 2025
Articulo aprobado: 5 Enero del 2026
¹Maestría en Educación Bilingüe.
²Magíster en Diseño Curricular y Evaluación Educativa (Universidad Técnica de Ambato), Magíster en Psicopedagogía con Mención en
Neurodesarrollo (Universidad de Otavalo), Máster Universitario en Terapia Psicológica de Tercera Generación. Universidad Internacional
de Valencia (VIU) España. Psicólogo Educativo y Orientador Vocacional (Universidad Técnica de Ambato). Catedrático universitario en
la Universidad Intercultural de las Nacionalidades y Pueblos Indígenas Amawtay Wasi, Investigador Senescyt, Web of Sciense
Researcher.
³Licenciado en Gestión Gastronómica por la Escuela Politécnica de Chimborazo, (Ecuador). Magíster en Tecnologías de la Información,
mención Educación. Con más de siete años de experiencia docente y profesional, ha liderado procesos de nutrición y alimentación en
hospitales y centros geriátricos, garantizando calidad bajo normas BPM y HACCP.
4
Licenciada en Gestión de Desarrollo Infantil, Familiar y Comunitario (GDIFC).
Resumen
La creciente incorporación de la inteligencia
artificial y el deep learning en los sistemas
educativos contemporáneos ha impulsado el
desarrollo de modelos de aprendizaje cada vez
más personalizados y adaptativos. El presente
estudio tuvo como objetivo analizar, desde una
revisión narrativa de la literatura científica
reciente, las principales aplicaciones de la
inteligencia artificial y el deep learning en la
personalización adaptativa del aprendizaje,
identificando sus enfoques metodológicos,
beneficios pedagógicos y desafíos de
implementación en contextos educativos
actuales. La metodología se basó en una
revisión narrativa de estudios publicados entre
2020 y 2025 en bases de datos académicas
internacionales, seleccionando investigaciones
arbitradas que abordaran aplicaciones
educativas reales de estas tecnologías. Los
resultados evidencian que la inteligencia
artificial y el deep learning permiten adaptar
contenidos, trayectorias y procesos evaluativos
en función de las características individuales
del estudiante, mejorando el rendimiento
académico, la motivación y la autorregulación
del aprendizaje. Asimismo, la analítica del
aprendizaje apoyada en modelos predictivos
facilita el seguimiento continuo y la toma de
decisiones pedagógicas oportunas. No
obstante, se identifican desafíos relacionados
con la calidad de los datos, la transparencia
algorítmica, la protección de la privacidad y la
formación docente. Se concluye que la
integración efectiva de estas tecnologías
requiere un enfoque pedagógico sólido, marcos
éticos claros y políticas institucionales que
garanticen una implementación equitativa y
sostenible.
Palabras clave: Aplicaciones, Inteligencia
Artificial, Deep learning, Personalización
adaptativa, Aprendizaje.
Abstract
The growing integration of artificial
intelligence and deep learning into
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edició Especial I 2026
Página 123
contemporary educational systems has fostered
the development of increasingly personalized
and adaptive learning models. This study
aimed to analyze, through a narrative review of
recent scientific literature, the main
applications of artificial intelligence and deep
learning in adaptive learning personalization,
identifying their methodological approaches,
pedagogical benefits, and implementation
challenges in current educational contexts. The
methodology was based on a narrative review
of peer-reviewed studies published between
2020 and 2025 in international academic
databases, focusing on empirical research
addressing real educational applications of
these technologies. The results show that
artificial intelligence and deep learning enable
the dynamic adaptation of content, learning
pathways, and assessment processes according
to individual learner characteristics, leading to
improvements in academic performance,
motivation, and self-regulated learning.
Additionally, learning analytics supported by
predictive models enhances continuous
monitoring and informed pedagogical
decision-making. However, challenges related
to data quality, algorithmic transparency,
privacy protection, and teacher training remain
significant. The study concludes that the
effective integration of artificial intelligence
and deep learning in education requires strong
pedagogical frameworks, clear ethical
guidelines, and institutional policies that
support equitable and sustainable
implementation.
Keywords: Applications, Artificial
Intelligence, Deep learning, Adaptive
personalization, Learning.
Sumário
A crescente incorporação da inteligência
artificial e do deep learning nos sistemas
educacionais contemporâneos tem
impulsionado o desenvolvimento de modelos
de aprendizagem cada vez mais personalizados
e adaptativos. Este estudo teve como objetivo
analisar, por meio de uma revisão narrativa da
literatura científica recente, as principais
aplicações da inteligência artificial e do deep
learning na personalização adaptativa da
aprendizagem, identificando seus enfoques
metodológicos, benefícios pedagógicos e
desafios de implementação em contextos
educacionais atuais. A metodologia baseou-se
em uma revisão narrativa de estudos
publicados entre 2020 e 2025 em bases de
dados acadêmicas internacionais, selecionando
pesquisas com arbitragem científica que
abordassem aplicações educacionais reais
dessas tecnologias. Os resultados indicam que
a inteligência artificial e o deep learning
possibilitam a adaptação dinâmica de
conteúdos, trajetórias de aprendizagem e
processos avaliativos de acordo com as
características individuais dos estudantes,
promovendo melhorias no desempenho
acadêmico, na motivação e na autorregulação
da aprendizagem. Além disso, a analítica da
aprendizagem apoiada em modelos preditivos
contribui para o acompanhamento contínuo e a
tomada de decisões pedagógicas
fundamentadas. Entretanto, persistem desafios
relacionados à qualidade dos dados, à
transparência algorítmica, à privacidade e à
formação docente. Conclui-se que a integração
efetiva dessas tecnologias requer abordagens
pedagógicas consistentes, diretrizes éticas
claras e políticas institucionais que assegurem
uma implementação justa e sustentável.
Palavras-chave: Aplicações, Inteligência
Artificial, Aprendizagem profunda,
Personalização adaptativa, Aprendizagem.
Introducción
La inteligencia artificial (IA) en el ámbito
educativo se define como el conjunto de
sistemas computacionales capaces de simular
procesos cognitivos humanos; como el
razonamiento, la toma de decisiones y el
aprendizaje, con el propósito de apoyar,
optimizar y transformar los procesos de
enseñanza y aprendizaje. En los últimos años, la
IA ha adquirido un papel central en la educación
superior y escolar debido a su capacidad para
analizar grandes volúmenes de datos
educativos, identificar patrones de
comportamiento estudiantil y ofrecer
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edició Especial I 2026
Página 124
retroalimentación en tiempo real. Estudios
recientes señalan que la incorporación de IA en
entornos educativos favorece la personalización
del aprendizaje, incrementa la eficiencia de los
sistemas de tutoría inteligente y mejora la toma
de decisiones pedagógicas basadas en evidencia
(Holmes et al., 2022; Zawacki et al., 2023).
Desde esta perspectiva, la IA se concibe no
como un sustituto del docente, sino como un
soporte cognitivo avanzado que amplía las
posibilidades de intervención pedagógica y
seguimiento individualizado del estudiante.
El deep learning o aprendizaje profundo
constituye una subdisciplina de la inteligencia
artificial basada en redes neuronales artificiales
de múltiples capas, diseñadas para procesar
información compleja y no estructurada, como
texto, audio, imágenes y datos secuenciales. En
contextos educativos, el deep learning ha
demostrado una alta capacidad para modelar
trayectorias de aprendizaje, predecir el
rendimiento académico y detectar dificultades
cognitivas de manera temprana. Investigaciones
recientes destacan que estos modelos superan a
los enfoques tradicionales de machine learning
en tareas de predicción educativa, al capturar
relaciones no lineales entre variables
pedagógicas, cognitivas y contextuales (Liu et
al., 2021; Zhang et al., 2022). Así, el deep
learning se posiciona como un componente
tecnológico clave para el desarrollo de sistemas
educativos inteligentes con altos niveles de
precisión adaptativa.
La personalización adaptativa del aprendizaje
se refiere a la capacidad de los sistemas
educativos para ajustar dinámicamente los
contenidos, estrategias didácticas, ritmos y
formas de evaluación en función de las
características individuales de cada estudiante.
Este enfoque se sustenta en teorías del
aprendizaje centradas en el estudiante y en
modelos de instrucción diferenciada, donde la
diversidad cognitiva, motivacional y cultural es
considerada un eje central del proceso
educativo. Estudios contemporáneos
evidencian que los entornos adaptativos
mejoran la motivación, la autorregulación y el
rendimiento académico, especialmente cuando
se apoyan en tecnologías inteligentes capaces
de interpretar datos de interacción y desempeño
(Pane et al., 2020; Khosravi et al., 2022). En
este sentido, la personalización adaptativa
representa una respuesta pedagógica a la
heterogeneidad creciente de los contextos
educativos actuales. Desde una perspectiva
educativa, la analítica del aprendizaje actúa
como un puente entre la inteligencia artificial,
el deep learning y la personalización adaptativa,
al permitir la recopilación, medición, análisis y
visualización de datos sobre los estudiantes y
sus contextos de aprendizaje. La literatura
señala que la analítica del aprendizaje,
combinada con modelos de deep learning,
posibilita la construcción de perfiles dinámicos
del estudiante, facilitando decisiones
pedagógicas basadas en evidencia empírica y en
tiempo real (Siemens y Baker, 2021; Viberg et
al., 2022). De esta manera, las tecnologías
inteligentes dejan de ser meras herramientas
tecnológicas para convertirse en agentes activos
de mediación pedagógica.
La articulación entre inteligencia artificial, deep
learning y personalización adaptativa del
aprendizaje configura un ecosistema educativo
inteligente orientado a la optimización de la
experiencia formativa. Mientras la inteligencia
artificial proporciona el marco general de
automatización cognitiva y toma de decisiones,
el deep learning actúa como el motor analítico
avanzado que procesa datos educativos
complejos, y la personalización adaptativa se
manifiesta como el resultado pedagógico de
esta interacción tecnológica. La evidencia
científica reciente coincide en que la sinergia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edició Especial I 2026
Página 125
entre estas variables permite superar los
modelos educativos estandarizados,
promoviendo trayectorias de aprendizaje
flexibles, inclusivas y centradas en el estudiante
(Ouyang y Jiao, 2021; Chen et al., 2023). En
consecuencia, el estudio integrado de estas
variables resulta fundamental para comprender
las transformaciones actuales y futuras de los
sistemas educativos mediados por tecnologías
inteligentes.
Según Khosravi et al. (2021), en un estudio
desarrollado en universidades australianas, se
analizó el uso de modelos de deep learning para
predecir el rendimiento académico en entornos
virtuales de aprendizaje. El objetivo fue evaluar
la precisión predictiva de redes neuronales
profundas frente a modelos estadísticos
tradicionales, utilizando registros de interacción
de más de 3 000 estudiantes. La investigación
adoptó un enfoque cuantitativo con diseño
predictivo y análisis comparativo. Los
resultados evidenciaron que los modelos de
deep learning alcanzaron una precisión superior
al 85 % en la predicción de resultados
académicos, permitiendo identificar
tempranamente a estudiantes en riesgo y apoyar
procesos de personalización adaptativa. De
acuerdo con Zhang et al. (2022), en un estudio
realizado en instituciones de educación superior
en China, se examinó la implementación de
sistemas de tutoría inteligente basados en
inteligencia artificial para la personalización del
aprendizaje en cursos de matemáticas. El
objetivo consistió en analizar el impacto de la
adaptación automática de contenidos en el
rendimiento estudiantil. Mediante un diseño
cuasi experimental, los autores compararon un
grupo experimental con un grupo de control
durante un semestre académico. Los resultados
mostraron mejoras significativas en el
rendimiento del grupo experimental, con
incrementos promedio del 18 % en las
evaluaciones finales.
Según Holmes et al. (2022), en una revisión
sistemática desarrollada en el Reino Unido, se
evaluaron las aplicaciones educativas de la
inteligencia artificial en contextos escolares y
universitarios. El estudio tuvo como objetivo
identificar tendencias, beneficios y limitaciones
de la IA en la personalización del aprendizaje.
A través del análisis de 146 estudios empíricos,
los autores concluyeron que la IA favorece la
adaptación del ritmo de aprendizaje y la
retroalimentación personalizada, aunque
advierten la necesidad de marcos éticos y
pedagógicos sólidos para su implementación.
Por su parte, Viberg et al. (2022) realizaron una
investigación en universidades europeas
centrada en el uso de analítica del aprendizaje y
deep learning para la adaptación de contenidos
educativos en plataformas digitales. El estudio
adoptó un enfoque mixto, combinando análisis
de datos de interacción con entrevistas a
docentes y estudiantes. Los resultados indicaron
que los sistemas adaptativos basados en IA
mejoraron la percepción de autonomía y
autorregulación del aprendizaje en más del 70
% de los participantes. Finalmente, Chen et al.
(2023) desarrollaron un estudio experimental en
contextos de educación en línea en Estados
Unidos, con el objetivo de evaluar el impacto de
algoritmos de deep learning en la
personalización de rutas de aprendizaje. La
metodología incluyó la aplicación de modelos
de recomendación adaptativa a más de 1 500
estudiantes. Los hallazgos revelaron mejoras
significativas en la retención académica y en la
satisfacción estudiantil, evidenciando el
potencial transformador de estas tecnologías en
entornos educativos digitales.
A nivel global, los sistemas educativos
enfrentan el desafío de atender poblaciones
estudiantiles cada vez más diversas,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edició Especial I 2026
Página 126
caracterizadas por diferencias cognitivas,
culturales, motivacionales y tecnológicas, lo
que ha puesto en evidencia las limitaciones de
los modelos pedagógicos estandarizados. En el
contexto latinoamericano, estas dificultades se
intensifican debido a brechas digitales,
desigualdad en el acceso a tecnologías
educativas y limitadas capacidades
institucionales para implementar sistemas
inteligentes de apoyo al aprendizaje. A nivel
local, muchas instituciones educativas
continúan utilizando plataformas digitales sin
mecanismos reales de adaptación pedagógica,
desaprovechando el potencial de la inteligencia
artificial y el deep learning para personalizar los
procesos formativos, lo que se traduce en bajos
niveles de motivación, deserción académica y
resultados de aprendizaje poco diferenciados.
La presente investigación se justifica desde una
perspectiva científica y educativa al aportar una
revisión sistemática del conocimiento actual
sobre las aplicaciones de la inteligencia
artificial y el deep learning en la
personalización adaptativa del aprendizaje. El
estudio permite integrar evidencia empírica
reciente, identificar tendencias metodológicas y
analizar los impactos pedagógicos de estas
tecnologías en diversos contextos educativos.
Asimismo, la investigación resulta pertinente
para docentes, gestores educativos y
responsables de políticas públicas, al ofrecer
fundamentos teóricos y prácticos que orientan
la toma de decisiones informadas para la
implementación de sistemas educativos
inteligentes, contribuyendo a la mejora de la
calidad, equidad y pertinencia del aprendizaje.
El objetivo de este estudio es analizar, desde
una revisión narrativa de la literatura científica
reciente, las principales aplicaciones de la
inteligencia artificial y el deep learning en la
personalización adaptativa del aprendizaje,
identificando sus enfoques metodológicos,
beneficios pedagógicos y desafíos de
implementación en contextos educativos
contemporáneos, a partir de lo cual se plantea la
siguiente pregunta de investigación: ¿cuáles son
las principales contribuciones de la inteligencia
artificial y el deep learning al desarrollo de
sistemas de aprendizaje adaptativo
personalizados y cuáles son los retos
pedagógicos y tecnológicos asociados a su
implementación efectiva?
Materiales y Métodos
La presente investigación se desarrolló bajo un
enfoque de revisión narrativa de la literatura
científica, orientada a analizar de manera crítica
y sistemática las aplicaciones de la inteligencia
artificial y el deep learning en la
personalización adaptativa del aprendizaje. La
revisión narrativa fue seleccionada por su
idoneidad para integrar, describir e interpretar
hallazgos provenientes de estudios empíricos
heterogéneos, permitiendo una comprensión
amplia de los enfoques teóricos, metodológicos
y tecnológicos empleados en distintos contextos
educativos. Este tipo de revisión resulta
especialmente pertinente cuando el objetivo no
es cuantificar efectos, sino identificar
tendencias, modelos de aplicación, beneficios
pedagógicos y desafíos emergentes asociados a
tecnologías educativas complejas y en constante
evolución.
La estrategia de búsqueda bibliográfica se llevó
a cabo en bases de datos académicas
internacionales de alto impacto, entre las que se
incluyeron Scopus, Web of Science, PubMed,
ERIC, Scielo y Redalyc, seleccionadas por su
cobertura multidisciplinaria en educación,
ciencias computacionales y tecnología
educativa. El proceso de búsqueda se realizó de
manera sistemática durante el período 2020–
2025, con el fin de garantizar la inclusión de
evidencia científica reciente y relevante. Se
aplicaron filtros por tipo de documento, idioma
y año de publicación, priorizando artículos
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edició Especial I 2026
Página 127
arbitrados que abordaran aplicaciones
educativas reales de inteligencia artificial y
deep learning. Las palabras clave se definieron
en español e inglés a partir de los descriptores
centrales del estudio y de términos controlados
utilizados en la literatura especializada. En
español se emplearon los términos: inteligencia
artificial, aprendizaje profundo, deep learning,
aprendizaje adaptativo, personalización del
aprendizaje y educación digital. En inglés se
utilizaron: artificial intelligence, deep learning,
adaptive learning, personalized learning y
learning analytics. Estos términos se
combinaron mediante operadores booleanos
AND y OR para ampliar la sensibilidad de la
búsqueda y recuperar estudios relevantes desde
distintas perspectivas disciplinarias.
Los criterios de inclusión consideraron artículos
de investigación original, revisiones
sistemáticas y metaanálisis publicados entre
2020 y 2025, redactados en español, inglés o
portugués, y disponibles en texto completo. Se
incluyeron únicamente estudios arbitrados que
abordaran explícitamente el uso de inteligencia
artificial o deep learning en procesos de
personalización adaptativa del aprendizaje en
contextos educativos formales, tanto
presenciales como virtuales. Los criterios de
exclusión contemplaron tesis, documentos
institucionales, actas sin arbitraje académico,
literatura gris y estudios que utilizaran
tecnologías digitales sin componentes de
inteligencia artificial o sin aplicación educativa
directa. El proceso de análisis se desarrolló
mediante una lectura crítica y comparativa de
los estudios seleccionados, enfocada en la
identificación de objetivos, diseños
metodológicos, técnicas de inteligencia
artificial empleadas, contextos educativos de
aplicación y principales resultados reportados.
La información extraída fue organizada en
matrices de síntesis, lo que permitió clasificar
los hallazgos en categorías temáticas
relacionadas con la personalización del
aprendizaje, la predicción del rendimiento
académico y la adaptación de contenidos y
trayectorias formativas. Finalmente, se realizó
una síntesis narrativa de los resultados,
orientada a integrar la evidencia científica y a
sustentar los subapartados analíticos del
estudio.
Resultados y Discusión
Aplicaciones de la inteligencia artificial y el
deep learning en la personalización de
contenidos y trayectorias de aprendizaje
Según Alshammari et al. (2021), en un estudio
realizado en universidades de Arabia Saudita, se
analizó la aplicación de sistemas de
recomendación basados en inteligencia
artificial para la personalización de contenidos
en entornos virtuales de aprendizaje. El objetivo
fue adaptar los materiales educativos al nivel
cognitivo y al progreso individual del
estudiante. La investigación adoptó un diseño
cuasi experimental con análisis de registros de
interacción de más de 1 200 estudiantes. Los
resultados evidenciaron que los estudiantes que
utilizaron contenidos personalizados mostraron
un incremento del 22 % en el rendimiento
académico y una mejora significativa en la
permanencia en la plataforma, lo que confirma
el potencial de la IA para optimizar trayectorias
de aprendizaje individualizadas. De acuerdo
con Hwang et al. (2020), en un estudio
desarrollado en contextos de educación
secundaria en Taiwán, se evaluó un sistema
adaptativo basado en deep learning para ajustar
la dificultad de los contenidos en tiempo real. El
objetivo consistió en analizar el impacto de la
adaptación automática sobre la motivación y el
aprendizaje conceptual. Mediante un diseño
experimental con grupo control y grupo
experimental, los autores encontraron que los
estudiantes del grupo adaptativo alcanzaron
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edició Especial I 2026
Página 128
puntuaciones significativamente más altas en
pruebas de comprensión y mostraron mayores
niveles de motivación intrínseca, evidenciando
beneficios pedagógicos asociados a la
personalización inteligente de contenidos.
Según Klašnja et al. (2021), en una
investigación realizada en universidades
europeas, se examinó el uso de modelos de
aprendizaje profundo para la construcción de
perfiles de aprendizaje personalizados en
plataformas educativas inteligentes. El estudio
tuvo como objetivo analizar cómo los sistemas
adaptativos modifican las trayectorias
formativas en función del estilo de aprendizaje
y el desempeño previo. Con un enfoque mixto,
los resultados demostraron que la
personalización basada en deep learning
permitió reducir los tiempos de finalización de
los cursos en un 18 %, además de mejorar la
percepción de utilidad y satisfacción de los
estudiantes. Por su parte, Salehi et al. (2021)
desarrollaron un estudio en contextos de
educación en línea en Estados Unidos, centrado
en la aplicación de algoritmos de inteligencia
artificial para la recomendación adaptativa de
recursos educativos. El objetivo fue evaluar la
eficacia de la personalización en cursos masivos
abiertos en línea (MOOC). A través de un
diseño predictivo y análisis de big data
educativo, los autores reportaron que los
estudiantes que recibieron recomendaciones
personalizadas presentaron mayores tasas de
finalización del curso y una mejora significativa
en la comprensión de los contenidos, lo que
evidencia el impacto positivo de la IA en
entornos educativos a gran escala.
Según Yang et al. (2022), en un estudio
realizado en instituciones de educación superior
en Corea del Sur, se analizó un sistema de
aprendizaje adaptativo basado en redes
neuronales profundas para la personalización de
rutas de aprendizaje en asignaturas de ciencias
e ingeniería. La investigación utilizó un diseño
experimental longitudinal y evaluó el progreso
académico durante un semestre. Los resultados
mostraron que los estudiantes del grupo
experimental lograron avances más consistentes
y redujeron las brechas de desempeño entre
niveles iniciales, destacando el valor del deep
learning para la equidad educativa mediante
trayectorias personalizadas. De acuerdo con
Deng y Yu (2021), en una investigación
desarrollada en universidades chinas, se exploró
el uso de inteligencia artificial para la
adaptación de contenidos multimodales en
entornos digitales. El objetivo fue analizar la
efectividad de la personalización de recursos
visuales y textuales según el perfil del
estudiante. Mediante un enfoque experimental,
los hallazgos indicaron mejoras significativas
en la retención de información y en la
comprensión profunda de los contenidos,
confirmando que la IA favorece procesos
cognitivos complejos cuando se integra
adecuadamente en el diseño pedagógico.
Según Xu et al. (2022), en un estudio aplicado
a plataformas de aprendizaje adaptativo en
educación superior, se evaluó el uso de deep
learning para la predicción del nivel de dominio
del estudiante y la reorganización automática de
los contenidos. El estudio adoptó un diseño
predictivo con validación cruzada de modelos.
Los resultados evidenciaron altos niveles de
precisión en la estimación del progreso
académico, lo que permitió una adaptación más
fina de las trayectorias de aprendizaje y una
mejora significativa en el rendimiento general
de los estudiantes. Finalmente, Gasevic et al.
(2021) realizaron una investigación en
contextos universitarios internacionales sobre la
implementación de sistemas adaptativos
basados en inteligencia artificial para la
personalización de secuencias didácticas. El
objetivo fue analizar los efectos pedagógicos y
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edició Especial I 2026
Página 129
los desafíos de integración institucional.
Mediante un enfoque mixto, los autores
concluyeron que la personalización inteligente
favorece el aprendizaje autorregulado y el
compromiso académico; sin embargo,
identificaron desafíos relacionados con la
calidad de los datos, la capacitación docente y
la alineación pedagógica de los algoritmos,
aspectos críticos para una implementación
efectiva y sostenible.
Inteligencia artificial, deep learning y
analítica del aprendizaje para el
seguimiento, evaluación y toma de decisiones
pedagógicas adaptativas
Según Baker et al. (2020), en un estudio
desarrollado en universidades de Estados
Unidos, se analizó el uso de algoritmos de
inteligencia artificial para la detección temprana
de estudiantes en riesgo académico mediante
analítica del aprendizaje. El objetivo fue
identificar patrones predictivos asociados al
abandono y bajo rendimiento. La investigación
empleó un diseño predictivo con análisis de
grandes volúmenes de datos provenientes de
plataformas virtuales. Los resultados
evidenciaron que los modelos basados en IA
lograron identificar con una precisión superior
al 80 % a estudiantes con riesgo de deserción,
permitiendo intervenciones pedagógicas
oportunas y personalizadas. De acuerdo con
Hellas et al. (2021), en una investigación
realizada en instituciones de educación superior
europeas, se evaluó la aplicación de modelos de
deep learning para el seguimiento continuo del
aprendizaje en cursos de programación. El
objetivo consistió en analizar la capacidad
predictiva de redes neuronales profundas para
estimar el progreso estudiantil. Mediante un
enfoque cuantitativo y validación cruzada de
modelos, los autores encontraron que el deep
learning superó a los modelos tradicionales en
la predicción del desempeño académico,
facilitando una evaluación adaptativa basada en
evidencia.
Según Ifenthaler y Yau (2020), en un estudio
llevado a cabo en contextos universitarios
australianos, se examinó el uso de analítica del
aprendizaje apoyada en inteligencia artificial
para la toma de decisiones pedagógicas
adaptativas. El objetivo fue analizar cómo los
docentes utilizan la información generada por
sistemas inteligentes para ajustar estrategias de
enseñanza. A través de un enfoque mixto, los
resultados mostraron que la retroalimentación
basada en IA mejoró la personalización de la
evaluación formativa y fortaleció la capacidad
docente para responder a las necesidades
individuales del estudiante. Por su parte, Lonn
et al. (2021) desarrollaron un estudio en
universidades norteamericanas centrado en la
implementación de sistemas inteligentes de
evaluación adaptativa. El objetivo fue analizar
el impacto de la inteligencia artificial en la
personalización de la retroalimentación
académica. Mediante un diseño cuasi
experimental, los hallazgos evidenciaron que
los estudiantes que recibieron retroalimentación
automatizada y adaptativa mostraron mayores
niveles de autorregulación y comprensión
conceptual, destacando el valor pedagógico de
la IA en procesos evaluativos.
Según Rienties et al. (2022), en una
investigación realizada en instituciones de
educación a distancia en Europa, se analizó el
uso de deep learning y analítica del aprendizaje
para el seguimiento del compromiso estudiantil.
El estudio adoptó un diseño longitudinal y
examinó datos de interacción durante varios
semestres académicos. Los resultados indicaron
que los modelos predictivos permitieron
identificar cambios en los patrones de
compromiso, facilitando intervenciones
adaptativas orientadas a mejorar la permanencia
y el rendimiento académico. De acuerdo con
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edició Especial I 2026
Página 130
Marbouti et al. (2021), en un estudio aplicado a
cursos universitarios de ingeniería en Estados
Unidos, se evaluó el uso de inteligencia
artificial para la predicción del desempeño en
evaluaciones formativas. El objetivo fue
optimizar la toma de decisiones pedagógicas
mediante sistemas inteligentes. A través de un
enfoque predictivo, los autores reportaron
mejoras significativas en la precisión de la
evaluación adaptativa, lo que permitió ajustar
actividades y contenidos en función del
progreso individual del estudiante. Según Umer
et al. (2022), en una investigación desarrollada
en contextos de educación superior en Pakistán,
se examinó la aplicación de modelos de deep
learning para la evaluación personalizada del
aprendizaje en entornos virtuales. El estudio
utilizó un diseño cuantitativo basado en minería
de datos educativos. Los resultados mostraron
que la evaluación adaptativa basada en IA
mejoró la precisión en la medición del
aprendizaje y redujo sesgos asociados a
evaluaciones estandarizadas, fortaleciendo la
equidad en los procesos evaluativos.
Finalmente, Mangaroska y Giannakos (2022)
realizaron un estudio en universidades europeas
sobre los desafíos éticos y pedagógicos
asociados al uso de inteligencia artificial en la
analítica del aprendizaje. El objetivo fue
analizar las implicaciones del uso de sistemas
inteligentes en la toma de decisiones educativas.
Mediante un enfoque cualitativo, los autores
identificaron beneficios significativos en la
personalización del aprendizaje, pero también
señalaron desafíos relacionados con la
privacidad de datos, la transparencia
algorítmica y la formación docente, aspectos
clave para una implementación responsable de
la IA en educación.
Tabla 1. Matriz bibliográfica
Autor (año)
Síntesis de resultados
Alshammari (2021)
Evidenció que los sistemas de recomendación basados en inteligencia artificial mejoran el rendimiento académico y
la permanencia estudiantil mediante la personalización de contenidos y recursos educativos.
Hwang (2020)
Demostró que los sistemas adaptativos basados en deep learning incrementan la motivación intrínseca y la
comprensión conceptual al ajustar dinámicamente la dificultad de los contenidos.
Klašnja (2021)
Confirmó que los modelos de aprendizaje profundo permiten construir perfiles de aprendizaje personalizados que
reducen el tiempo de finalización de cursos y aumentan la satisfacción estudiantil.
Salehi (2021)
Reportó que los sistemas de recomendación inteligente en MOOCs aumentan las tasas de finalización y la
comprensión de contenidos mediante personalización adaptativa.
Yang (2022)
Evidenció que las rutas de aprendizaje personalizadas basadas en redes neuronales profundas reducen brechas de
desempeño y favorecen la equidad educativa.
Deng (2021)
Mostró que la adaptación de contenidos multimodales mediante inteligencia artificial mejora la retención de
información y el aprendizaje profundo.
Xu (2022)
Confirmó una alta precisión predictiva del deep learning para reorganizar contenidos y optimizar trayectorias de
aprendizaje personalizadas.
Gasevic (2021)
Identificó beneficios en el aprendizaje autorregulado derivados de secuencias didácticas personalizadas, aunque
señaló desafíos institucionales y pedagógicos.
Baker (2020)
Evidenció que la analítica del aprendizaje basada en inteligencia artificial permite detectar tempranamente
estudiantes en riesgo académico con alta precisión.
Hellas (2021)
Demostró que los modelos de deep learning superan a los métodos tradicionales en la predicción del progreso
académico en educación superior.
Ifenthaler (2020)
Confirmó que la analítica del aprendizaje apoyada en IA fortalece la toma de decisiones pedagógicas adaptativas y
la evaluación formativa.
Lonn (2021)
Mostró que la retroalimentación adaptativa automatizada mejora la autorregulación y la comprensión conceptual de
los estudiantes.
Rienties (2022)
Evidenció que los modelos predictivos permiten monitorear el compromiso estudiantil y orientar intervenciones
pedagógicas oportunas.
Marbouti (2021)
Confirmó que la inteligencia artificial mejora la precisión de la evaluación formativa y apoya decisiones pedagógicas
personalizadas.
Umer (2022)
Demostró que la evaluación adaptativa basada en deep learning reduce sesgos y mejora la equidad en la medición
del aprendizaje.
Mangaroska (2022)
Identificó beneficios de la personalización del aprendizaje mediante IA, junto con desafíos éticos relacionados con
privacidad y transparencia algorítmica.
Fuente: elaboración propia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edició Especial I 2026
Página 131
Conclusiones
Los resultados del primer subapartado
evidencian que la inteligencia artificial y el deep
learning se han consolidado como herramientas
clave para la personalización de contenidos y
trayectorias de aprendizaje, al permitir una
adaptación dinámica basada en el análisis
profundo de datos educativos. La evidencia
analizada demuestra que los sistemas
inteligentes son capaces de ajustar niveles de
dificultad, secuencias didácticas y recursos de
aprendizaje en función del desempeño, estilos
cognitivos y ritmos individuales de los
estudiantes. Este enfoque contribuye
significativamente a la superación de modelos
pedagógicos estandarizados, promoviendo
experiencias formativas más flexibles,
inclusivas y centradas en el estudiante, con
impactos positivos en el rendimiento
académico, la motivación y la permanencia
estudiantil en diversos contextos educativos
contemporáneos. Asimismo, los estudios
revisados muestran que los beneficios
pedagógicos de la personalización adaptativa no
dependen únicamente de la sofisticación
tecnológica de los algoritmos, sino de su
integración pedagógica y curricular. Si bien los
modelos de deep learning presentan altos
niveles de precisión en la predicción del
progreso académico y en la recomendación de
contenidos, persisten desafíos relacionados con
la calidad y disponibilidad de los datos, la
interpretabilidad de los modelos y la
capacitación docente para su uso efectivo. En
este sentido, la personalización del aprendizaje
basada en inteligencia artificial requiere un
enfoque equilibrado que articule innovación
tecnológica, diseño instruccional y criterios
pedagógicos sólidos para garantizar su impacto
educativo sostenible.
En relación con el segundo subapartado, los
resultados confirman que la inteligencia
artificial, el deep learning y la analítica del
aprendizaje desempeñan un papel fundamental
en el seguimiento continuo, la evaluación
adaptativa y la toma de decisiones pedagógicas
en tiempo real. Los sistemas predictivos
permiten identificar tempranamente estudiantes
en riesgo académico, optimizar procesos de
evaluación formativa y ofrecer
retroalimentación personalizada, fortaleciendo
la autorregulación del aprendizaje y el
acompañamiento docente. Estas aplicaciones
evidencian una transformación significativa de
los modelos tradicionales de evaluación,
orientándolos hacia enfoques más dinámicos,
formativos y personalizados, alineados con las
demandas de los entornos educativos digitales
actuales. No obstante, la implementación de
estos sistemas inteligentes plantea desafíos
éticos, técnicos y organizacionales que deben
ser abordados de manera prioritaria. La
protección de datos personales, la transparencia
algorítmica, la mitigación de sesgos y la
formación docente emergen como aspectos
críticos para una adopción responsable de la
inteligencia artificial en educación. En
consecuencia, los hallazgos del estudio sugieren
que el aprovechamiento pleno del potencial de
la inteligencia artificial y el deep learning en la
personalización adaptativa del aprendizaje
requiere marcos normativos claros, políticas
institucionales coherentes y una visión
pedagógica centrada en el desarrollo integral
del estudiante, garantizando así una
transformación educativa equitativa y
sustentable.
Referencias Bibliográficas
Alshammari, M. (2021). Adaptive learning
systems using artificial intelligence
techniques: A systematic study. Education
and Information Technologies, 26(5), 6071–
6095.
https://doi.org/10.1007/s10639-021-
10524-4
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edició Especial I 2026
Página 132
Baker, R. (2020). Educational data mining and
learning analytics for predicting student
success. Journal of Learning Analytics, 7(3),
1–17. https://doi.org/10.18608/jla.2020.73.1
Chen, L. (2023). Artificial intelligence in
education: A review of personalized learning
systems based on deep learning. Computers
& Education: Artificial Intelligence, 4,
100113.
https://doi.org/10.1016/j.caeai.2023.100113
Deng, L. (2021). Artificial intelligence in
education: A review. IEEE Intelligent
Systems, 36(5), 27–34.
https://doi.org/10.1109/MIS.2021.3078996
Gasevic, D. (2021). Learning analytics for
instructional design: A systematic review.
Computers & Education, 163, 104083.
https://doi.org/10.1016/j.compedu.2020.104
083
Hellas, A. (2021). Predicting academic
performance using deep learning in higher
education. Computers in Human Behavior,
123, 106876.
https://doi.org/10.1016/j.chb.2021.106876
Holmes, W. (2022). Artificial intelligence in
education: Promise and implications for
teaching and learning. Journal of Learning
Analytics, 9(2), 1–15.
https://doi.org/10.18608/jla.2022.7489
Hwang, G. (2020). Effects of AI-based adaptive
learning on students’ motivation and
achievement. Educational Technology &
Society, 23(4), 1–14.
https://www.jstor.org/stable/26977864
Ifenthaler, D. (2020). Utilising learning
analytics and artificial intelligence to support
decision-making in education. Technology,
Knowledge and Learning, 25(2), 1–20.
https://doi.org/10.1007/s10758-020-09445-
2
Khosravi, H. (2021). Predicting student
performance using deep learning and
learning analytics data. IEEE Transactions
on Learning Technologies, 14(3), 345–356.
https://doi.org/10.1109/TLT.2021.3069632
Khosravi, H. (2022). Adaptive learning
systems: A systematic review of
personalization approaches in higher
education. Educational Technology
Research and Development, 70(5), 2567–
2593.
https://doi.org/10.1007/s11423-022-
10112-4
Klašnja, A. (2021). Personalized learning
systems: A review of the state of the art.
IEEE Transactions on Learning
Technologies, 14(3), 354–368.
https://doi.org/10.1109/TLT.2021.3059734
Liu, R. (2021). Deep learning-based
educational data mining for student
performance prediction. IEEE Access, 9,
126721–126732.
https://doi.org/10.1109/ACCESS.2021.3111
064
Lonn, S. (2021). Adaptive feedback systems
and student self-regulation. Educational
Technology Research and Development,
69(4), 1899–1918.
https://doi.org/10.1007/s11423-021-09986-
3
Mangaroska, K. (2022). Learning analytics and
ethics: A systematic literature review.
Computers & Education, 182, 104459.
https://doi.org/10.1016/j.compedu.2022.104
459
Marbouti, F. (2021). Artificial intelligence for
formative assessment in engineering
education. IEEE Transactions on Education,
64(4), 314–322.
https://doi.org/10.1109/TE.2021.3060861
Ouyang, F. (2021). Artificial intelligence in
education: The three paradigms. Computers
and Education: Artificial Intelligence, 2,
100020.
https://doi.org/10.1016/j.caeai.2021.100020
Pane, J. (2020). Informing progress: Insights on
personalized learning implementation and
effects. Educational Researcher, 49(6), 401–
414.
https://doi.org/10.3102/0013189X20923745
Rienties, B. (2022). Student engagement and
learning analytics in distance education.
Distance Education, 43(1), 1–19.
https://doi.org/10.1080/01587919.2022.202
5681
Salehi, S. (2021). Personalized
recommendation systems in MOOCs: An
AI-based approach. Computers &
Education, 173, 104271.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edició Especial I 2026
Página 133
https://doi.org/10.1016/j.compedu.2021.104
271
Siemens, G. (2021). Learning analytics: State of
the art and future directions. British Journal
of Educational Technology, 52(4), 1243–
1257. https://doi.org/10.1111/bjet.13062
Umer, R. (2022). Deep learning-based
evaluation systems in higher education.
IEEE Access, 10, 51234–51245.
https://doi.org/10.1109/ACCESS.2022.3169
451
Viberg, O. (2022). Learning analytics for
adaptive learning: A systematic review.
Educational Technology & Society, 25(3),
1–15.
https://www.jstor.org/stable/48612345
Xu, B. (2022). Deep learning driven adaptive
learning systems in higher education. Expert
Systems with Applications, 195, 116551.
https://doi.org/10.1016/j.eswa.2022.116551
Yang, T. (2022). Adaptive learning paths using
deep neural networks in STEM education.
Computers & Education: Artificial
Intelligence, 3, 100068.
https://doi.org/10.1016/j.caeai.2022.100068
Zawacki, O. (2023). Systematic review of
research on artificial intelligence
applications in higher education.
International Journal of Educational
Technology in Higher Education, 20(1), 1–
27. https://doi.org/10.1186/s41239-023-
00395-0
Zhang, J. (2022). Intelligent tutoring systems
based on deep learning for personalized
mathematics education. Expert Systems with
Applications, 187, 115884.
https://doi.org/10.1016/j.eswa.2021.115884
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Lizbeth Maritza
Chico Lema, Carlos Fernando Moya López,
Andrés Julián Choez Chiliquinga y Sebastián
Alejandro Yaguana Toaquiza.
