Aprendizaje personalizado

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

El aprendizaje personalizado: adaptar las experiencias educativas a los perfiles individuales de quien aprende, incluidos los conocimientos previos, el ritmo de aprendizaje, las preferencias y los estados afectivos. La IA permite la personalización a escala, aunque la brecha entre la personalización del sistema y la personalización percibida por quien aprende sigue siendo un reto de medición abierto. Junto con el aprendizaje adaptativo y la tutoría inteligente, es uno de los miembros del lado de la aplicación de la familia del modelado del estudiantado y la instrucción adaptativa, que consume modelos de quien aprende para adaptar la instrucción.

Preguntas para reflexionar

• Cuando piensa en el «aprendizaje personalizado», ¿imagina contenido ajustado al ritmo de quien aprende o a las metas que esa persona elige? La página sostiene que son cosas profundamente distintas (resultados uniformes por vías variadas frente a resultados diversos). ¿Cuál de las dos valora más, y por qué?
• La página distingue el aprendizaje personalizado (la meta) del aprendizaje adaptativo (un mecanismo). ¿Se le ocurre alguna personalización que no implique adaptación en tiempo real, y cuenta igual como tal?
• Un sistema puede adaptarse sin que quien aprende llegue a sentirse reconocido. ¿Cuándo ha experimentado que se «personalizara para usted» sin sentirse de verdad conocido? ¿Cuál es la diferencia?
• La página advierte de que la personalización excesiva puede dejar a quien aprende atrapado en itinerarios de bajas expectativas. ¿Cómo podría un ajuste con IA bien intencionado rebajar sin querer el techo de quien aprende?
• La personalización necesita datos detallados sobre quien aprende; la privacidad necesita minimización de datos. ¿Dónde traza la línea entre «datos suficientes para adaptarse» y «tantos que quien aprende queda expuesto»?
• ¿Qué tendría que recordar una IA sobre usted entre sesiones para personalizar de verdad su aprendizaje, y cuáles son los riesgos de que recuerde esas cosas?

Introducción

Adaptar las experiencias educativas a los perfiles individuales de quien aprende, incluidos los conocimientos previos, el ritmo de aprendizaje, las preferencias y los estados afectivos. La IA permite la personalización a escala, aunque la brecha entre la personalización del sistema y la personalización percibida por quien aprende sigue siendo un reto de medición abierto.

• Mishra et al. distinguen dos formas de personalización con raíces históricas profundas: los resultados uniformes alcanzados por vías variadas (de las máquinas de enseñanza de Skinner a la tutoría para el dominio al estilo de Khan Academy) frente a los resultados diversos que elige quien aprende, lo que se corresponde con la tensión del campo entre el control y la agencia.

Arquitecturas para la personalización impulsada por IA

Memoria longitudinal (PersonaVLM → educación)

Nie et al. (2026) desarrollaron una arquitectura de memoria a largo plazo Multimodal AI (PersonaVLM) que mantiene la coherencia de la persona a lo largo de las interacciones. Trasladada a la educación, permite sistemas de tutoría que recuerdan las ideas erróneas de quien aprende, sus explicaciones preferidas y su historial de progreso entre sesiones, lo que aborda una carencia crítica de los tutores de chatbot sin estado.

Sustrato de personalización nativo de agentes (DeepTutor)

Ma et al. (2026) diseñan cada función de DeepTutor: Towards Agentic Personalized Tutoring para que comparta un sustrato de personalización común, en lugar de añadir la personalización a posteriori sobre herramientas reactivas. Esta arquitectura garantiza la coherencia entre modalidades: el mismo perfil de quien aprende impulsa la resolución de problemas, la generación de preguntas y la escritura colaborativa.

Personalización social multiagente (MAIC)

Yu et al. (2024) personalizan no solo el contenido, sino también el contexto social. Los arquetipos de compañeros de clase (el payaso de la clase, el pensador profundo, quien toma apuntes, la mente inquisitiva) crean dinámicas variadas de aprendizaje entre pares ajustadas a las necesidades individuales de quien aprende.

AutoML para perfiles de quien aprende

La personalización es un objetivo central para mejorar la calidad educativa, pero procesar datos heterogéneos de conducta de aprendizaje procedentes de múltiples fuentes sigue siendo un reto. Un marco de búsqueda personalizada de arquitecturas cognitivas neuronales, impulsado por aprendizaje automático automatizado, construye perfiles de quien aprende y genera modelos de diagnóstico para perfiles heterogéneos, integrando datos multimodales para ir más allá de los resultados estáticos de examen.

Relación con el aprendizaje adaptativo y la tutoría inteligente

El aprendizaje personalizado se confunde a menudo con el aprendizaje adaptativo, pero no son lo mismo. El aprendizaje adaptativo se refiere al mecanismo: un sistema que ajusta el contenido, el ritmo y la dificultad en tiempo real a partir de un modelo de quien aprende. El aprendizaje personalizado es la meta más amplia: adaptar toda la experiencia de aprendizaje (contenido, itinerarios, ritmo, preferencias, metas) a una persona, de la cual la adaptación en tiempo real es solo una implementación. Los sistemas adaptativos son un medio para la personalización, pero esta también puede lograrse mediante perfiles estáticos de quien aprende, itinerarios basados en la elección o ajustes hechos por tutores humanos que no se adaptan en tiempo real.

La tutoría inteligente se sitúa en medio: los ITS son las plataformas adaptativas canónicas que ofrecen instrucción personalizada mediante un modelado estructurado del estudiantado, mientras que los tutores basados en Grandes modelos de lenguaje (LLM) personalizan de forma conversacional. Los tres son los miembros del lado de la aplicación de la familia del modelado del estudiantado y la instrucción adaptativa: consumen las representaciones de quien aprende que producen el modelado del estudiantado, el seguimiento del conocimiento y el diagnóstico cognitivo para decidir qué enseñar a continuación. La distinción importa para la evaluación: los estudios que etiquetan un sistema como «adaptativo», «personalizado» o «individualizado» de forma intercambiable (véase más abajo) pueden ocultar si el beneficio que se atribuye proviene de la adaptación en tiempo real, de la elección de quien aprende o del ajuste del contenido.

Retos de medición

• Personalización del sistema frente a personalización percibida: un sistema puede adaptarse sin que quien aprende se sienta reconocido
• Validez longitudinal: los beneficios de la personalización pueden decaer si los perfiles quedan obsoletos o se sobreajustan
• Riesgos de equidad: la personalización excesiva puede dejar a quien aprende atrapado en itinerarios de bajas expectativas

Personalización y evaluación

La personalización y la evaluación están estrechamente acopladas en el aprendizaje impulsado por IA. La personalización adaptativa depende de una medición formativa continua de lo que sabe quien aprende (mediante el seguimiento del conocimiento, el modelado del estudiantado y el diagnóstico cognitivo) para decidir qué adaptar después, de modo que la fiabilidad de la señal de evaluación limita directamente la calidad de la personalización. A la inversa, cuando la evaluación sumativa se personaliza para cada persona, la equidad y la comparabilidad se vuelven más difíciles de establecer. Los métodos de investigación de esta base de conocimiento advierten contra adaptarse en exceso a señales superficiales o ruidosas: los sistemas adaptativos que miden mal a quien aprende pueden personalizar de maneras que reducen el aprendizaje en lugar de apoyarlo, y el estudiantado nativo en IA cuya autoevaluación no es fiable (una «línea base cognitiva ausente») es más difícil de modelar con precisión.

La personalización en la era de la IA

La evidencia más sólida de que esta preocupación no es hipotética procede de un estudio longitudinal de tres oleadas con 486 estudiantes universitarios chinos (Li, Lin y Qiu, 2026), que encontró que cuanto más personalizado percibía el estudiantado su entorno adaptativo con IA, menor era su aprendizaje autorregulado: la «paradoja de la personalización». Los cambios en las emociones académicas concentraron la mayor parte del efecto: encontrarse con el entorno adaptativo predecía menos disfrute y más ansiedad y aburrimiento, y esos cambios emocionales explicaban en conjunto alrededor de la mitad de la asociación entre personalización y menor autorregulación. La alfabetización en IA amortiguó el daño, ya que debilitó la asociación emocional negativa hasta hacerla no significativa en niveles altos de alfabetización. La personalización parece, por tanto, comprar un ajuste adaptativo a costa de la actividad regulatoria de quien aprende, y el estudio señala la experiencia emocional, y no solo la carga cognitiva, como el canal por el que se paga ese coste.

El aprendizaje por refuerzo es un mecanismo distinto de personalización, y Riedmann, Schaper y Lugrin (2025) trazan su historial empírico: su revisión PRISMA de 89 estudios sobre el aprendizaje por refuerzo en educación encuentra que la personalización con esta técnica se concentra en la educación superior y en la educación matemática, y que la adaptación se implementa sobre todo como programación de contenidos (n = 53) o como personalización relacionada con la orientación, por ejemplo pistas y retroalimentación (n = 36). Informan de que las políticas de aprendizaje por refuerzo superan a las líneas base no adaptativas con más frecuencia en la adaptación relacionada con la orientación y en las variables afectivas (el 63% de los estudios analizados), y que la ganancia de aprendizaje, en especial la ganancia de aprendizaje normalizada, fue la fuente de recompensa más eficaz: una orientación práctica para diseñar señales de recompensa que personalicen hacia el aprendizaje genuino y no hacia la implicación.

Bernstein y Sibia (2026) afinan una distinción entre la personalización por interés y la personalización por pericia: las analogías de IA generativa ajustadas al interés se percibieron como más atractivas y memorables, pero no de forma uniformemente más fiable, y parte del estudiantado prefirió la explicación técnica genérica incluso cuando la analogía coincidía con el interés declarado, por autosuficiencia y completitud (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education). Su recomendación de diseño es personalizar a través de la estructura del dominio de origen y preguntar al estudiantado qué sabe ya, y no solo qué le interesa, puesto que la familiaridad con un dominio de origen es lo que permite a quien aprende inspeccionar la analogía, y dar a quien aprende control sobre la personalización mediante un menú de analogías, la opción de activarla o la oferta conjunta de versiones genéricas y personalizadas. Sidorkin (2026) documenta otro emparejamiento en el nivel de los materiales del curso y no de las explicaciones individuales: las lecturas semanales generadas a demanda para un curso de posgrado de liderazgo educativo se ajustaron a la vez por interés (sector, papel profesional, ejemplos locales) y por nivel de comprensión (ritmo, definiciones, profundidad), y los registros resultantes compartían una columna vertebral común (similitud coseno TF-IDF de 0,50 a 0,61), lo que él interpreta como una plantilla con controles ajustables y no como una reescritura completa por persona. El mismo corpus muestra que el ajuste era estructural pero desigual en intensidad: los marcadores de ajuste en el nivel de artefacto promediaron 52,24 por cada 10.000 palabras y oscilaron entre 38,74 y 74,29 en los distintos registros, mientras que las indicaciones orientadas a la comprensión produjeron entre 3,4 y 8,7 veces más andamiaje definicional que el texto explicativo de referencia.

Una tercera dimensión de la personalización es la meta, y es la entrada que peor manejan los planificadores de IA. Liu et al. (2026) emparejaron 2.000 personas sintéticas de estudiantes con un grafo de prerrequisitos de 347 libros de texto y 4.092 conceptos, y pidieron a diez LLM que planificaran, paso a paso, qué conocimiento debería estudiar quien aprende para alcanzar una unidad objetivo declarada. Los modelos produjeron currículos estructuralmente sólidos (DeepSeek-V3.1 alcanzó un 90,9% en validez de prerrequisitos y de alucinación), pero no lograron adaptarlos a quien aprende: la adaptabilidad se quedó en un máximo del 44,7%, la tasa de aprobación final de DeepSeek-V3.1 fue del 29,5% en educación básica y del 14,6% en educación superior, y eliminar el campo de dominio de la persona costó hasta 26,1 puntos porcentuales de adaptabilidad, mientras que dejó la validez casi intacta. Generar todo el itinerario de una sola vez en lugar de hacerlo de forma interactiva elevó la validez hasta 30,8 puntos, pero recortó la adaptabilidad en 28,8. La afirmación «personalizado» es una afirmación sobre la respuesta al estado de quien aprende, y la variable de estado es justamente la parte de la que estos planificadores pueden prescindir con más facilidad: una réplica computacional de la preocupación de medición anterior.

Una cuarta dimensión es el público destinatario y no la persona que aprende: Bespoke regenera una clase existente para un grupo profesional concreto (sanidad, finanzas o energía), y sus evaluadores expertos puntuaron las versiones enmarcadas por sector 0,32 puntos más alto en profundidad de personalización (3,97 frente a 3,65), mientras que la calibración al público se quedó atrás (3,52). Ajustar para un grupo y no para una persona es una forma más barata y más manejable de personalización, pero la rúbrica que la midió evaluaba el ajuste juzgado, no los resultados de aprendizaje.

Micropersonalización condicionada por prompts

Basu, Kakar y Goel (2026) muestran que la brecha entre la personalización del sistema y la percibida puede abordarse en el nivel de la respuesta. Su marco para el tutor Grandes modelos de lenguaje (LLM)/RAG (Retrieval-Augmented Generation) Jill Watson combina preferencias elegidas por quien aprende (abstracción, verbosidad, percepción, procesamiento, comprensión) con la demanda cognitiva inferida por el sistema (taxonomía de Bloom) para producir 96 microperfiles adaptados en cada interacción mediante el condicionamiento estructurado de prompts, sin reentrenamiento ni autoría específica de la disciplina. Es un híbrido de adaptabilidad (selección de preferencias por quien aprende) y adaptatividad (evaluación cognitiva impulsada por el sistema), y muestra que la personalización de cómo se presenta el contenido puede ser a la vez escalable y perceptible para quien aprende.

Ambigüedad terminológica

Un problema recurrente es que el «aprendizaje personalizado» es un término paraguas amplio y definido de forma laxa. Las revisiones sistemáticas (Khalifeh et al., 2026) encuentran que el aprendizaje adaptativo, la instrucción individualizada, el aprendizaje a medida y el aprendizaje personalizado se usan de forma intercambiable, sin una definición aceptada universalmente: una fuente de ambigüedad conceptual que complica la síntesis de la investigación y la práctica basada en la evidencia. El campo reclama cada vez más un marco y una definición unificados para que «personalizado» denote una afirmación precisa y respaldada por evidencia y no una etiqueta vaga (un punto que refuerza la crítica del uso débil de constructos de esta base de conocimiento).

Conceptos conectados

• Adaptive Learning — Sistemas adaptativos que ajustan el contenido, el ritmo y la dificultad a quien aprende en tiempo real
• Tutoría inteligente — Sistemas de tutoría que modelan a quien aprende y ofrecen instrucción individualizada
• Learner Modeling and Adaptive Instruction — Representar el conocimiento, las habilidades y los estados de quien aprende que impulsan la adaptación
• Knowledge Tracing — Inferir el dominio de los componentes de conocimiento a partir del rendimiento a lo largo del tiempo
• Cognitive Diagnosis — Diagnosticar el conocimiento y los atributos latentes de quien aprende a partir de sus respuestas
• Andamiaje — Apoyo y desvanecimiento calibrados a las necesidades individuales de quien aprende
• Student Experience — La experiencia vivida de la personalización por parte de quien aprende
• Analítica del aprendizaje — Medición del aprendizaje basada en datos que informa la adaptación
• Evaluación formativa — Evaluación continua que señala qué adaptar después
• Summative Assessment — Evaluación final cuya comparabilidad complica la personalización
• IA generativa — Personalización conversacional basada en LLM
• Edtech Platform — Plataformas que ofrecen aprendizaje personalizado a escala
• Educación superior — Contexto de educación superior para la personalización
• Online Teaching and Learning — Enseñanza y aprendizaje en línea
• Recommender Systems and Learning Paths

Artículos conectados

• Bespoke: Generating MOOC-Quality Industry-Personalized Lecture Videos at Scale — Regeneración de vídeos de clase personalizados por sector a partir de una transcripción semilla: ajuste a nivel de público, evaluado por expertos de dominio (Puech et al. 2026)
• A Prompt-Engineering Approach to Develop Scalable, Flexible, and Real-Time Hybrid Micro-Level Personalization in a General Purpose AI Teaching Assistant — Micropersonalización mediante ingeniería de prompts de un asistente docente con IA (Basu, Kakar y Goel 2026)
• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Revisión sistemática de la IA generativa en la enseñanza y el aprendizaje en K-12 (Marzano 2026)
• AI Tutoring is Not a Monolith: What We Actually Know — La tutoría con IA no es un monolito: lo que realmente sabemos (informe de Stanford SCALE/NSSA)
• Learning Context: A Unified Framework and Roadmap for Context-Aware AI in Education
• Control vs. Agency: Exploring the History of AI in Education — Distingue dos formas de personalización (resultados uniformes frente a diversos)
• Redefining personalized learning in the artificial intelligence era: an updated systematic review from 2019 to 2025 — Redefinir el aprendizaje personalizado: revisión sistemática
• DeepTutor: Towards Agentic Personalized Tutoring — Sustrato de personalización nativo de agentes para la tutoría
• LearnMate^2: Design and Evaluation of an LLM-powered Personalized and Adaptive Support System for Online Learning — Tutor de aprendizaje adaptativo basado en LLM
• AI-Powered Math Tutoring: Platform for Personalized and Adaptive Education — Plataforma multiagente de tutoría adaptativa de matemáticas
• Ontology-Based Layered Hybrid AI-Driven Knowledge Model for Personalized E-Learning — Modelo de conocimiento híbrido por capas basado en ontologías para el aprendizaje electrónico personalizado
• Exploring Fraction Comprehension and Interest in Elementary Education Through AI-Powered Personalized Learning — Aprendizaje adaptativo personalizado para fracciones en primaria
• Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study — Pretest adaptativo y retención
• AI Coaching for Accelerating Human Skill Development with Reinforcement Learning — Entrenamiento con aprendizaje por refuerzo para el desarrollo de habilidades
• CourseBlueprint: A Structured Pipeline for Adaptive Pedagogical Video Generation Grounded in Course Corpora — Generación adaptativa de vídeo a partir de planos de curso
• Students Prefer Personalized, AI-Generated Educational Videos over Non-Personalized, Human-Recorded Videos — El estudiantado prefiere vídeos personalizados generados por IA a los grabados por personas sin personalizar (Tomlinson et al. 2026)
• An AI-Based Adaptive Learning Platform for Multilingual and Low-Resource Educational Contexts: A Case Study on Nigeria — Plataforma de aprendizaje adaptativo basada en IA para contextos multilingües de bajos recursos
• AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High — Aprendizaje adaptativo longitudinal en un LMS de secundaria
• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — Diagnóstico cognitivo bayesiano para itinerarios de aprendizaje personalizados
• Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — Andamiaje ICAP adaptativo en un ITS (BKT frente a DRL)
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — Tutoría inteligente basada en grafos para dominios dinámicos (2026)
• Developing Deep Learning in Science Through an Adaptive AI-Based STEM Instructional Program: Evidence From Sixth-Grade Classrooms — Programa STEM adaptativo basado en IA para el aprendizaje profundo
• Rethinking Higher Education: From Fixed Curricula to Learnity Graphs — Marco de grafos de aprendizaje a lo largo de la vida
• Generalizing a Highly Configurable Analytics Pipeline to Replicate and Support Educational Research Across Multiple Domains — Canalización de analítica para el aprendizaje adaptativo
• Jointly Predicting Courses and Grades Using a Transformer-Based Model (TRACE) — Predicción de la calificación del curso a partir de trazas de aprendizaje
• Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework — Crecimiento autodirigido con analítica del aprendizaje e IA generativa
• Instructor and AI Roles in the Chemistry Classroom: Future Science Teachers' Perceptions in a ChatGPT-Enhanced Formative Assessment — Los papeles del profesorado y de la IA en la evaluación formativa con ChatGPT
• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Pedagogías marcadas: sesgo en la retroalimentación automatizada personalizada
• Architecting an AI-Driven Decision Support System for Enhanced Online Learning and Assessment — Apoyo a la decisión con IA para la evaluación del aprendizaje en línea
• AI-Guided Learning: Research on Knowledge and Skill Acquisition Support Methods Using Deep Learning Audio-Video Processing Techniques — Aprendizaje guiado por IA a partir de audio y vídeo
• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — Revisión sistemática de la IA generativa en la educación superior
• AI-Enhanced Problem-Based Learning Framework: Integrating ChatGPT as Adaptive Scaffolding to Improve Critical Thinking and Personalized Learning — ABP mejorado con IA y andamiaje con ChatGPT
• Interactive Online Learning Method for Students Based on Artificial Intelligence — Aprendizaje interactivo en línea con IA
• ECNUClaw: A Learner-Profiled Intelligent Study Companion Framework for K-12 Personalized Education — Acompañante de aprendizaje personalizado para K-12
• Perceptions Of Generative AI in the Global South: A Scoping Review — La IA generativa en la educación del Sur global
• Reshaping education in the era of artificial intelligence: insights from Situated Learning related literature — Revisión del aprendizaje situado y la IA
• Can EdTech Close Learning Gaps? Global Evidence from Digital Interventions — Evidencia sobre la promesa de la personalización a escala
• Personalized neural cognitive architecture search — Búsqueda AutoML de arquitecturas cognitivas neuronales personalizadas para perfiles de quien aprende
• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — Revisión sistemática: los itinerarios adaptativos y los recomendadores son uno de los principales casos de uso de integración de IA en la educación superior
• Generating In-Context, Personalized Feedback for Intelligent Tutors with Large Language Models
• Reinforcement Learning in Education: A Systematic Literature Review
• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Defectuosas pero memorables: recepción crítica del estudiantado ante analogías de IA generativa personalizadas por interés en la enseñanza de la informática
• From One-Size Texts to Tailored Readings: Student Experiences with AI-Generated Course Materials — Doble ajuste de las lecturas de curso generadas por IA según el interés y la comprensión (Sidorkin 2026)
• The personalization paradox: how AI-driven adaptive learning environments are associated with college students' — Paradoja de la personalización: la personalización adaptativa percibida se asocia con un menor aprendizaje autorregulado a través de las emociones académicas, amortiguado por la alfabetización en IA (Li, Lin y Qiu 2026)
• PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning — PersonaPath: los planificadores LLM alcanzan un 90,9% de validez, pero ningún modelo supera el 44,7% de adaptabilidad al personalizar itinerarios hacia una meta declarada de quien aprende (Liu et al. 2026)
• "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — «Ya lo arreglaremos después»: educación, IA y el aplazamiento de la privacidad del estudiantado en la tecnología educativa