En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

Aprendizaje adaptativo — sistemas educativos impulsados por IA que ajustan el contenido, el ritmo y las estrategias didácticas en función de las características y el desempeño individuales de cada estudiante. El aprendizaje adaptativo es el objetivo operativo de buena parte de la IA en la educación investigación: usar modelos del estudiante para personalizar la enseñanza.

Preguntas para reflexionar

  • El aprendizaje «adaptativo», «personalizado», «individualizado» y «a medida» se usan a menudo como sinónimos, pero la investigación sugiere que no son lo mismo. ¿Qué supone usted que significa cada palabra y dónde podrían estar equivocadas esas suposiciones?
  • Un sistema adaptativo ajusta el contenido y la dificultad a partir de un modelo de lo que usted sabe. ¿Qué podría salir mal si ese modelo se apoya en señales superficiales o poco fiables sobre su aprendizaje?
  • Un hallazgo clave es que los sistemas que infieren el dominio a partir de respuestas correctas pueden detener la práctica demasiado pronto, antes de que usted aprenda cuándo debe abstenerse de actuar. ¿Se le ocurre alguna habilidad en la que acertar una y otra vez lo dejara aun así sin preparación para una situación real?
  • La sobre-adaptación puede eliminar el esfuerzo productivo que el estudiantado necesita para aprender en profundidad. Si la IA facilita las cosas en cuanto usted se atasca, ¿qué pierde exactamente quien aprende?
  • El metaanálisis sugiere que lo que impulsa las ganancias de aprendizaje es el mecanismo de adaptación y no la generación concreta de herramientas. Si el «cómo» importa más que el «con qué herramienta», ¿qué debería buscar al elegir software adaptativo?
  • Los tutores basados en LLM ya pueden adaptar el lenguaje y el estilo de explicación, y no solo la dificultad. ¿Cuándo ayuda al aprendizaje personalizar la forma en que se explica algo y cuándo puede socavar en silencio la propia agencia de quien aprende?

Introducción

Mecanismos centrales

  • Bucle medir-modelar-adaptar: el seguimiento del conocimiento estima lo que sabe el estudiante, el modelado del estudiante representa a quien aprende y el sistema adapta la dificultad, el contenido y la retroalimentación en consecuencia.
  • Personalización a escala: los sistemas de aprendizaje personalizado usan algoritmos adaptativos para ofrecer rutas de aprendizaje únicas a cada estudiante. DeepTutor y los tutores de fracciones de primaria demuestran la personalización adaptativa en la práctica.
  • Secuenciación del contenido: el pretest adaptativo y los transformadores de planes de clase optimizan el orden y el tipo de contenido que se presenta.
  • Integración de los ITS: los sistemas de tutoría inteligente son la plataforma canónica del aprendizaje adaptativo, ya que combinan el diagnóstico con la adaptación.
  • Perfilado y diagnóstico impulsados por AutoML: los modelos educativos tradicionales tienen dificultades para procesar datos heterogéneos de conducta de aprendizaje procedentes de múltiples fuentes, lo que limita el perfilado de quien aprende y el desarrollo de modelos de diagnóstico. Un marco de búsqueda personalizada de arquitecturas cognitivas neuronales impulsado por aprendizaje automático automatizado integra datos educativos multimodales con métodos heterogéneos, genera modelos de diagnóstico adaptados a perfiles heterogéneos de estudiantes y sostiene un análisis dinámico y no estático de los procesos de aprendizaje.

Evidencia sobre la eficacia

La evidencia es mixta: los sistemas adaptativos mejoran los resultados cuando la adaptación se apoya en modelos del estudiante fiables, pero una adaptación mal calibrada puede perjudicar el aprendizaje. La investigación sobre personalización distingue la adaptación eficaz de la personalización superficial. Las revisiones sistemáticas encuentran que el aprendizaje «adaptativo», «personalizado», «individualizado» y «a medida» se usa de forma inconsistente, así que los tamaños del efecto dependen en gran medida de cómo se operacionalice la adaptación, y el campo reclama un marco unificado.

Una revisión PRISMA 2020 que cribó 959 registros hasta quedarse con 22 intervenciones en educación superior sitúa las rutas adaptativas y los sistemas de recomendación entre las principales aplicaciones de la IA, pero la mayoría de los estudios mejoraron la práctica existente en lugar de transformarla (AlSheikh et al. (2026)).

Lo que impulsa la adaptación es la fundamentación pedagógica, no la capacidad técnica. Una revisión de 15 años sobre 127 estudios de tutoría inteligente encuentra que la mayoría de los sistemas se construyeron en torno a lo que la tecnología puede hacer y no a un principio pedagógico declarado, y sitúa la ganancia media de los ITS en torno al 20% frente a hasta un 98% en la tutoría humana (Zerkouk et al. (2025)).

La adopción, y no el mecanismo de adaptación, fue la restricción vinculante en un ECA de distrito de dos años: reducir la inscripción a un solo paso elevó la adopción en la primera sesión de alrededor del 45% al 83% solo con cambios de diseño, y las ganancias por intención de tratar crecieron a medida que subía la adopción (Oreopoulos et al. (2026)).

Una revisión alineada con PRISMA de 44 estudios encuentra que la literatura sobre implicación está sesgada hacia la implicación conductual y es más delgada en la implicación agéntica, e informa de un efecto de novedad —la implicación decae con el tiempo en estudios longitudinales de ALEKS y W-Pal una vez que se desvanece la novedad de la herramienta (Simon, Zeng y Fryer (2026)).

La era de la IA: la adaptación basada en LLM y sus riesgos

La IA generativa ha ampliado lo que pueden hacer los sistemas adaptativos: los tutores conversacionales agénticos, el contenido fundamentado en RAG y la tutoría impulsada por LLM que ofrecen los sistemas de tutoría inteligente adaptan no solo la dificultad de los problemas, sino también el lenguaje y el estilo de explicación (por ejemplo, LearnMate-2, DeepTutor, tutoría adaptativa multiagente). Sin embargo, la adaptación basada en LLM introduce riesgos nuevos: sin modelos del estudiante fiables, la adaptación puede apoyarse en señales superficiales; la sobre-adaptación puede reducir el esfuerzo productivo que el estudiantado necesita (véanse dificultades deseables y dependencia excesiva); y el equilibrio entre personalizar y preservar la agencia de quien aprende es una pregunta de diseño abierta (véase IA agéntica). Una variante de adaptación solicitada por quien aprende funciona sin modelo del estudiante alguno. En el curso de posgrado de Sidorkin (2026) las lecturas se ajustaban solo cuando el estudiantado hacía preguntas de seguimiento para reformularlas, profundizarlas, simplificarlas o localizarlas, y las peticiones orientadas a la comprensión producían de forma fiable un andamiaje más denso (entre 3,4 y 8,7 veces más marcadores definicionales que el texto de referencia). Exigir al menos tres preguntas de seguimiento por lectura convirtió el material en una interacción. También traslada la carga adaptativa a quien aprende: aquí la adaptación solo ocurre si el estudiante sabe qué pedir.

Relación con el aprendizaje personalizado y la tutoría inteligente

El aprendizaje adaptativo se confunde con frecuencia con el aprendizaje personalizado, pero son distintos. El aprendizaje adaptativo es el mecanismo: el ajuste en tiempo real del contenido, el ritmo y la dificultad a partir de un modelo de quien aprende. El aprendizaje personalizado es el objetivo más amplio de adaptar toda la experiencia de aprendizaje a una persona, y la adaptación en tiempo real es una de sus implementaciones. Los sistemas adaptativos son el medio canónico hacia la personalización. La tutoría inteligente es la plataforma clásica: los ITS combinan el diagnóstico (modelado del estudiante, seguimiento del conocimiento) con la adaptación, y los tutores basados en LLM se adaptan de forma conversacional. Junto con el aprendizaje personalizado, el aprendizaje adaptativo es un miembro del lado aplicado de la familia del modelado de quien aprende y la instrucción adaptativa, ya que consume las representaciones del estudiantado que producen el modelado del estudiante, el seguimiento del conocimiento y el diagnóstico cognitivo.

Evidencia de la investigación

  • Evidencia metaanalítica sobre herramientas adaptativas + IA. Un metaanálisis del Banco Mundial de 14 ECA agrupa el aprendizaje adaptativo asistido por computador, la tutoría inteligente y la IA generativa en una misma escala y estima una ganancia de aprendizaje media de ~0,125 sd sin diferencias significativas entre las dos generaciones tecnológicas, lo que indica que lo que impulsa las ganancias es el mecanismo de adaptación y no la generación concreta de herramientas.

  • Puntuación interpretable con enrutamiento sujeto a presupuesto de tiempo. Sahu et al. (2026) conservan unos pocos escalares explícitos del estudiante —sensibilidad de la puntuación, calidad de la respuesta y momento— y enrutan las preguntas bajo un presupuesto de tiempo, lo que reduce aproximadamente a la mitad la volatilidad de la actualización de la puntuación frente a un Elo fijo, aunque queda por detrás del seguimiento neuronal del conocimiento en predicción (AUC 0,7532 frente a 0,8658 de GKT).

  • Comparación de algoritmos adaptativos en dominios dinámicos. La investigación sobre ITS basados en grafos compara varios algoritmos de aprendizaje adaptativo (incluidos la propagación bayesiana del conocimiento y la lógica difusa intuicionista) en un marco de representación del conocimiento basado en grafos para currículos dinámicos.

  • El aprendizaje por refuerzo como mecanismo de adaptación, mapeado empíricamente. Riedmann, Schaper y Lugrin (2025) sintetizan 89 estudios sobre aprendizaje por refuerzo en educación y encuentran que la adaptación se divide en mecanismos relacionados con el contenido (secuenciación didáctica y programación de contenidos, n = 53) y relacionados con la orientación (pistas, retroalimentación, selección de actividades, n = 36), y que el aprendizaje por refuerzo muestra superioridad estadísticamente significativa frente a las líneas base con más frecuencia en la adaptación orientativa que en la programación de contenidos. Recomiendan el aprendizaje por refuerzo sin modelo para el aprendizaje adaptativo y advierten de que el aprendizaje por refuerzo clásico superó al aprendizaje por refuerzo profundo en los estudios revisados.

  • La adaptatividad basada en la corrección puede detener la práctica demasiado pronto. An, McLaren y Stamper (2026) encontraron que los sistemas adaptativos que infieren el dominio a partir de la corrección corren el riesgo de terminar la práctica antes de que quien aprende se enfrente a contextos en los que debería abstenerse de la acción aprendida, lo que deja sin detectar la sobre-generalización engañosa. Recomiendan incluir tareas detectoras de «no actuar» antes de que se activen las reglas de parada por dominio, de modo que la adaptación ponga a prueba la comprensión condicional (saber cuándo abstenerse de actuar) y no solo la corrección.

  • Una racha de dominio no es aprendizaje duradero. En un experimento de campo de 6.000 estudiantes de secundaria, una regla de dominio de tres aciertos consecutivos apoyada por IA elevó el rendimiento definido por la plataforma en alrededor de 28,7 puntos porcentuales sin mejorar una prueba diferida una semana después, así que las métricas de dominio necesitan validarse contra el aprendizaje diferido en lugar de sustituirlo (Oreopoulos et al. (2026)).

  • Adapte el tipo de implicación cognitiva, no solo la dificultad. Tithi et al. (2026) encontraron que las políticas de BKT y de aprendizaje por refuerzo profundo que asignaban ejemplos resueltos guiados (activos) o con errores (constructivos) superaron ambas a la asignación aleatoria en un tutor de lógica con 113 estudiantes (postest 72,3 y 72,5 frente a 65,7), sirviendo el BKT mejor al estudiantado con bajo conocimiento previo y el DRL al de conocimiento alto.

  • Más retroalimentación no es mejor retroalimentación. En un curso adaptativo de estocástica de ocho semanas (194 estudiantes), la retroalimentación directiva, informativa y transformadora se adoptaron de forma distinta, y la transformadora se asoció con sobrecarga cognitiva en lugar de con una mejor regulación: la adaptatividad tiene que encajar con la fase y la necesidad de quien aprende, no maximizar la densidad de la retroalimentación (Mejeh y Fromm (2026)).

  • Un perfil no es un rasgo. Las puntuaciones de estrategia variaron principalmente por el contexto y no por el estudiante, con una correlación intraclase media de 0,14 en 234 estudiantes de primaria, y el 74,6% de los fallos con alta demanda de coordinación volvían directamente a otro fallo sin intervención (Geoffre, Yuan y Geoffre (2026)). Una adaptación construida sobre un tipo estable de estudiante descarta la mayor parte de la señal; leer el estado en el que se encuentra quien aprende no lo hace.

  • Los perfiles de implicación como objetivos de adaptación. An, Hammock y Goel (2025) siguieron a 315 estudiantes en línea que construyeron 822 modelos en VERA y clasificaron su implicación en perfiles de Observación, Construcción y Exploración, y encontraron que el estudiantado tiende a pasar de una conducta centrada en la construcción hacia una Exploración más plena y guiada por hipótesis, mientras que la Observación persiste en todas las fases. Sostienen que el diseño adaptativo y personalizado debería reconocer estos perfiles y orientar la retroalimentación (por ejemplo, recomendando modelos similares o apoyando una comprensión conceptual más profunda) para llevar a quienes observan de forma superficial hacia un modelado más integrador y de ciclo completo.

  • Una memoria que se lee pero no se escribe no es adaptación. El control de memoria congelada de CoLearn servía elementos fijos mientras seguía leyendo el perfil de quien aprende, y la proporción de elementos dirigidos a una habilidad genuinamente débil cayó de 0,72 a 0,57, con el error de dominio final elevándose por encima de la condición adaptativa (He et al. (2026)).

  • La ganancia vino de la secuenciación y no de un tutor más listo. Chung et al. (2026) entrenaron un tutor personalizado con aprendizaje por refuerzo guiado por LLM y lo desplegaron en un curso de Python de cinco meses en diez institutos de Taipéi, aleatorizando a 770 estudiantes entre secuencias de problemas adaptativas y secuencias fijas de fácil a difícil. La secuenciación adaptativa elevó la puntuación del examen final presencial y sin ayuda en 0,156 SD (0,150 SD con controles), mientras que el análisis de mediación atribuyó el efecto casi por completo a la implicación (0,185 SD por el tiempo dedicado a la tarea, 0,149 SD por los intentos) y no a un material más fácil o más difícil, y las ganancias fueron mayores para principiantes y centros de nivel más bajo. La palanca adaptativa fue el orden de la práctica y no la calidad del chat.

  • Mantenga las decisiones de dominio basadas en reglas y confine el aprendizaje automático a la monitorización. Un programa adaptativo de STEM de ocho semanas para 30 estudiantes de sexto grado gobernó las rutas mediante dominio basado en reglas mientras el aprendizaje automático seguía el rendimiento, manteniendo la adaptación auditable, pero sin pretest y con una sola aula por condición, sus ganancias son una plantilla piloto para validar localmente (Bin Bakheet et al., 2026).

  • Adapte el atributo cuello de botella, no el promedio débil. Un modelado de transiciones de los estados de conocimiento clasificó el pensamiento analítico como el más difícil de adquirir y el más fácil de perder —probabilidad de transición hacia delante más baja 0,31 y hacia atrás más alta 0,22-0,23—, lo que convierte la nueva práctica del atributo señalado en un objetivo de adaptación más preciso que el dominio global (Feng y Huang, 2026).

  • Adaptación a partir de secuencias de proceso, no de puntuaciones agregadas. Wong, Bulathwela y Cukurova (2026) derivaron reglas de andamiaje minando el orden de los turnos de diálogo de 65 estudiantes en tríadas, desplazando el aprendizaje adaptativo de las medidas agregadas de conducta o rendimiento hacia las secuencias de proceso individuales; el máximo andamiaje elevó la conducta centrada en la tarea pero también el guionizado, y el diseño no está probado.

  • El reconocimiento supera a la implementación. Entre 90 docentes, 74 (82,2%) identificaron estudiantes que necesitaban adaptación, pero solo 50 (55,6%) habían puesto en marcha alguna medida adaptativa; el obstáculo determinante era la información sobre quienes aprenden, no la tecnología, que solo un 12% mencionó (Hilali y Chergui (2026)).

  • El control forma parte del tratamiento. Quién controla la adaptación importa tanto como qué se adapta: en 83 estudios, el control del sistema produjo g = 1,05 (IC del 95% [0,65; 1,45]) y el control del docente g = 0,86 [0,46; 1,26] en conocimiento, mientras que el control de quien aprende solo alcanzó g = 0,31 [−0,44; 1,05] (Gao et al., 2026).

Implicaciones para la práctica

Para el profesorado y el diseño

  • Defina el dominio por lo que necesita que sea cierto, no por lo que la plataforma puede ver. La ganancia de 28,7 puntos en consecución sin mejora de la transferencia es el modo de fallo frente al que hay que diseñar: si el criterio son tres aciertos consecutivos, tres aciertos consecutivos es lo que obtendrá.
  • Mantenga la práctica más allá de la señal de corrección en todo lo que necesite que se retenga. Use repaso espaciado e intercalado en lugar de confiar en que un sistema adaptativo decida cuándo ha terminado quien aprende.
  • Elimine la fricción de inscripción antes de ajustar el algoritmo. Pasar del 45% al 83% de aceptación colapsando un paso superó a la mayoría de las mejoras pedagógicas de esta literatura.
  • Planifique la decadencia de la implicación. El trabajo longitudinal documenta el declive; un diseño que depende de un uso voluntario sostenido necesita una razón para que se siga usando.
  • Compruebe sobre qué constructo declara adaptarse un sistema. La implicación conductual es la más estudiada y la menos informativa sobre el aprendizaje; la implicación agéntica es la más delgada en la base de evidencia.

Para quienes desarrollan

  • Comunique la definición operativa de «adaptativo» junto a cualquier tamaño del efecto que cite, porque las definiciones de la literatura divergen y las cifras agrupadas heredan esa ambigüedad.
  • Distinga su criterio de dominio de los resultados de aprendizaje en su propia validación. Si su medida de validación es la misma señal que impulsa la adaptación, no es evidencia independiente.

Concepciones erróneas

  • «Adaptativo significa personalizado significa individualizado.» Las revisiones sistemáticas encuentran estos cuatro términos usados de forma incoherente en la literatura, lo que significa que los tamaños del efecto declarados dependen en gran medida de cómo se operacionalizó la adaptación y no de la adaptación en sí. Un metaanálisis que agrupa estudios que usaron las palabras de forma distinta está agrupando tratamientos distintos, y el promedio no describe a ninguno de ellos.
  • «El dominio alcanzado en el sistema es dominio aprendido.» En un experimento de campo con 6.000 estudiantes de secundaria, una regla de dominio de tres aciertos consecutivos apoyada por IA elevó la consecución definida por la plataforma en unos 28,7 puntos porcentuales sin mejorar una medida de transferencia. La regla optimizó el propio criterio de la plataforma. Esta es la demostración más clara disponible de que una señal de dominio es un modelo del aprendizaje y no el aprendizaje.
  • «La adaptatividad basada en la corrección sabe cuándo detenerse.» An, McLaren y Stamper (2026) encontraron que los sistemas que infieren el dominio a partir de la corrección corren el riesgo de terminar la práctica demasiado pronto: el sistema lee una racha correcta como comprensión y retira la práctica que quien aprende todavía necesitaba. Una adaptatividad que se detiene ante el éxito puede restar exactamente los ensayos que producen retención.
  • «El cuello de botella es lo buena que sea la adaptación.» En un ECA de distrito de dos años, la restricción vinculante fue la aceptación inicial: reducir la inscripción a un solo paso elevó la aceptación en la primera sesión de alrededor del 45% al 83% solo con cambios de diseño, y las ganancias por intención de tratar crecieron en consecuencia. La adaptación más ingeniosa no sirve a nadie que nunca llega a ella.
  • «La implicación persiste una vez establecida.» Una revisión alineada con PRISMA de 44 estudios encontró que la literatura sobre implicación se inclinaba hacia la implicación conductual y era más delgada en la implicación agéntica, e informa de un efecto de novedad: la implicación decae con el tiempo en estudios longitudinales de ALEX y sistemas similares. La implicación temprana no es una propiedad estable del diseño.

Conceptos conectados

Artículos conectados

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.