Modelado del estudiantado e instrucción adaptativa

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

El modelado del estudiantado y la instrucción adaptativa — el paraguas de cómo la IA representa a quien aprende (qué sabe, qué siente y qué necesita) y de cómo usa esas representaciones para adaptar la enseñanza. La familia abarca la capa de modelado —el modelado del estudiantado, el seguimiento del conocimiento, el diagnóstico cognitivo y la simulación del estudiantado— y los sistemas adaptativos que consumen esos modelos: la tutoría inteligente, el aprendizaje adaptativo y el aprendizaje personalizado. La pregunta compartida: ¿cómo sabe un sistema lo que sabe quien aprende, y qué debería enseñarle después?

Preguntas para reflexionar

• La pregunta paraguas que plantea esta página es: ¿cómo sabe un sistema lo que sabe quien aprende, y qué debería enseñarle después? Antes de seguir leyendo, ¿cómo empezaría siquiera a representar «lo que sabe quien aprende» en una máquina?
• El modelado del estudiantado abarca el seguimiento del conocimiento (rastrear el conocimiento a lo largo del tiempo), el diagnóstico cognitivo (mapear las habilidades dominadas) y la simulación del estudiantado (estudiantes sintéticos). ¿En qué cree que es bueno cada enfoque, y en qué corre el riesgo de equivocarse cada uno?
• Toda IA adaptativa depende de algún modelo de quien aprende. Si un modelo vale solo lo que vale la evidencia que lo alimenta, ¿qué evidencia cree que tienen realmente los sistemas de IA sobre un estudiante, y qué cosas importantes sobre él siguen siendo invisibles?
• Un modelo puede capturar lo que un estudiante acierta y falla, pero no por qué, ni cómo se siente. ¿Cómo podría un modelo del estudiantado engañar a un sistema adaptativo de formas que perjudiquen al estudiante en lugar de ayudarle?
• Si diseñara un tutor adaptativo, ¿qué querría que incluyera su modelo de usted, y qué querría que tuviera explícitamente prohibido dar por supuesto?

Introducción

El modelado del estudiantado es la representación computacional de quien aprende; la instrucción adaptativa es lo que los sistemas hacen con esa representación. Toda IA adaptativa en la educación depende de algún modelo de quien aprende —aunque sea ligero—, y todo modelo del estudiantado existe para informar alguna decisión instruccional. Esta página es el paraguas de ese flujo de trabajo: los métodos de modelado, los sistemas que actúan sobre los modelos y cómo se relacionan.

La capa de modelado

Estos conceptos responden a «¿qué sabe, qué siente y qué necesita esta persona que aprende?»: el lado de la representación dentro de la familia.

• modelado del estudiantado — la práctica amplia de representar en forma computacional las características de quien aprende (conocimiento, habilidades, estados afectivos, implicación, preferencias). Es el término paraguas dentro de esta capa y abarca todas las formas de representar a quien aprende.
• Seguimiento del conocimiento — la práctica específica de modelar el conocimiento cognitivo a lo largo del tiempo rastreando el rendimiento en ejercicios y prediciendo el dominio futuro. Formaliza la dinámica temporal del aprendizaje: cuándo se adquiere y se deteriora el conocimiento y cómo se relacionan los conceptos.
• Diagnóstico cognitivo — la evaluación de grano fino de qué habilidades o componentes de conocimiento concretos ha dominado quien aprende, que produce un perfil de dominio que apoya la remediación focalizada.
• simulación del estudiantado — generar estudiantes sintéticos a demanda, en lugar de representar a uno real, para que la pedagogía y los sistemas de IA puedan probarse o entrenarse fuera de línea.

El estudio de Zhang, Jeffries y Koprinska (2025) ilustra que una representación fiel no exige la familia de modelos más compleja: un modelo del estudiantado ligero e intrínsecamente interpretable, basado en árboles de decisión y construido a partir de características de interacción con el contenido del curso en lugar de telemetría rica, predice el progreso a nivel de módulo en cursos de programación en línea a gran escala (85–91% de exactitud) y separa perfiles de implicación de riesgo desimplicado, desimplicado pero exitoso y alto rendimiento implicado, lo que apoya la alerta temprana de la analítica del aprendizaje a escala.

Los modelos del estudiantado también pueden construirse únicamente a partir de rastros conductuales y aun así sostener la adaptación. An, Hammock y Goel (2025) derivaron tres perfiles de implicación —Observación, Construcción y Exploración— a partir de los clics de 315 personas que aprendían en línea y construían 822 modelos ecológicos en VERA, sin ningún dato demográfico ni contextual, y mostraron que estos perfiles predicen la calidad del modelo (la Exploración produce los modelos más complejos y diversos, mientras que en la Observación predominan los modelos copiados en lugar de los originales). Estas caracterizaciones a nivel de implicación son los modelos del estudiantado de grano grueso que la capa de instrucción adaptativa puede consumir para orientar la retroalimentación.

La capa de instrucción adaptativa

Estos conceptos responden a «¿qué debería enseñarse después?»: el lado de la aplicación que consume los modelos del estudiantado.

• Tutoría inteligente — sistemas que usan modelos del estudiantado y estimaciones de dominio para seleccionar problemas y ofrecer orientación paso a paso, la aplicación clásica del modelado del estudiantado.
• Aprendizaje adaptativo — sistemas que ajustan el contenido, el ritmo o la dificultad en respuesta al modelo del estudiantado.
• Aprendizaje personalizado — la adaptación más amplia de la instrucción, el contenido y las trayectorias a las características y preferencias de cada persona que aprende.

Cómo se relacionan sus miembros

Los conceptos forman un flujo de trabajo y no competidores: el modelado del estudiantado es la representación paraguas; el seguimiento del conocimiento y el diagnóstico cognitivo son métodos de modelado concretos que la nutren; la simulación genera estudiantes en lugar de representar a reales; y la tutoría inteligente, el aprendizaje adaptativo y el aprendizaje personalizado son los sistemas que consumen estos modelos para adaptar la instrucción.

Modelado del estudiantado frente a simulación del estudiantado es la distinción clave que hay que mantener clara. El modelado del estudiantado consiste en representar a una persona real que aprende: construir un modelo a partir de los datos de un estudiante real para que un sistema adaptativo pueda actuar sobre esa persona. La simulación del estudiantado, en cambio, genera a demanda una persona sintética que aprende para suplir a las reales, de modo que la pedagogía y la IA puedan evaluarse o entrenarse fuera de línea. Los dos están estrechamente relacionados, pero no son intercambiables: la simulación del estudiantado normalmente incorpora un modelo del estudiantado (un estado epistémico, un conjunto de concepciones erróneas o un perfil de implicación) y se apoya en los mismos constructos que formalizan el seguimiento del conocimiento y el diagnóstico cognitivo. Sus propósitos divergen: el modelado del estudiantado sirve a la adaptación en vivo al informar decisiones sobre una persona real, mientras que la simulación fabrica estudiantes para probar sistemas (y, cada vez más, para auditar la IA, por ejemplo López-Pernas et al. (2026)) y no para actuar sobre ninguna persona real.

Seguimiento del conocimiento frente a modelado del estudiantado es la otra confusión habitual. El seguimiento del conocimiento modela específicamente el conocimiento cognitivo a lo largo del tiempo; el modelado del estudiantado es la práctica más amplia que cubre todos los aspectos de quien aprende (estado afectivo, implicación, preferencias). El seguimiento del conocimiento es un tipo de modelado del estudiantado centrado en la dimensión cognitivo-temporal. Los constructos del seguimiento del conocimiento también informan a los estudiantes simulados: el estado cognitivo de quien aprende simulado suele formalizarse con las mismas dinámicas de dominio y olvido que modelan el seguimiento del conocimiento, de modo que la simulación es una forma de generar los estados de conocimiento que los métodos de seguimiento normalmente infieren a partir de datos de respuesta reales.

Anclar el seguimiento al currículo fortalece el modelo. Pradeesh et al. (2026) muestran que un modelo del estudiantado gana fidelidad cuando el seguimiento se ata a una estructura curricular explícita en lugar de aprenderse solo a partir de los datos: su seguimiento del conocimiento basado en resultados (OKT) trata los resultados de curso de la educación basada en resultados como los conceptos de conocimiento que hay que seguir, aporta relaciones entre conceptos mediante «mapeos de afinidad» de la educación basada en resultados, validados por expertos, entre los resultados de curso y de programa (una alternativa explícita a la atención implícita o al paso de mensajes en grafos) y usa un módulo aumentado con memoria para modelar cómo el logro de un resultado afecta a los demás. En datos reales de un programa de ingeniería superó a las referencias DKT, DKVMN, EKT y SimpleKT (89,81% de AUC), lo que ilustra que la capa de modelado puede explotar la estructura del propio currículo para representar a quien aprende con más fidelidad.

Tutoría inteligente frente a aprendizaje adaptativo y personalizado se sitúa en el lado de la aplicación: la tutoría inteligente es el sistema que selecciona problemas y guía paso a paso; el aprendizaje adaptativo ajusta el contenido y el ritmo; el aprendizaje personalizado es la adaptación más amplia de toda la experiencia de aprendizaje. Los tres son los «consumidores» de la capa de modelado.

El reto de validez compartido

En toda la familia, el reto de validez que la define es el mismo: la representación de quien aprende debe reflejar fielmente su estado real y no los supuestos por defecto del sistema. Para el modelado del estudiantado y el seguimiento del conocimiento, esto significa que el modelo debe capturar de verdad lo que sabe quien aprende (evaluación y validez de la medición). Para la simulación, significa que la persona sintética que aprende debe mostrar una imperfección realista y no la competencia plena del modelo ni su acuerdo adulador. Los sistemas adaptativos que consumen modelos defectuosos heredan y propagan ese error.

La corrección no siempre es una señal fiel. An, McLaren y Stamper (2026) muestran que un modelo del estudiantado que infiere el dominio a partir de acciones correctas puede representar mal el estado real de quien aprende: quien muestra sobregeneralización engañosa parece haber dominado, pero omite una restricción de aplicación crítica, de modo que los sistemas adaptativos pueden detener la práctica antes de tiempo. Los modelos del estudiantado deberían evaluar la comprensión condicional —incluido si quien aprende sabe cuándo abstenerse de actuar— y no solo la corrección de las acciones.

Cómo se valida un modelo es en sí mismo una cuestión de validez. Schuetze, Yan y Carvalho (2025) muestran que los modelos del estudiantado populares (BKT, BKT con olvido, AFM) parecen capturar el aprendizaje humano solo cuando se ajustan retroactivamente a un conjunto de datos completo de varias sesiones; bajo una validación cruzada temporal (hacia delante), que predice una sesión futura a partir de las anteriores —es decir, como se despliegan realmente estos modelos—, sobreestiman el rendimiento, no captan el efecto de espaciamiento y ordenan mal las condiciones de práctica. Como los modelos con olvido y sin olvido rindieron de forma parecida entre sesiones, los autores concluyen que el olvido suele absorberse en los parámetros del estudiantado en lugar de representarse de verdad. La lección para la familia es que una representación fiel de quien aprende debe validarse tal como se usa, y que confundir el rendimiento del momento con la retención a largo plazo produce modelos que parecen exactos pero representan mal a quien aprende.

El modelado en la era de los LLM

Los avances recientes usan LLM para un modelado más rico. El marco HiLLM-CD representa al estudiantado como árboles de competencia; los enfoques multimodales construyen representaciones de conocimiento fundamentadas en evidencia a partir de fuentes de datos diversas; los LLM ya simulan estudiantes con razonamiento. Los LLM permiten la construcción automatizada de modelos a partir de texto educativo y una simulación del estudiantado de mayor fidelidad, lo que reduce la dependencia de la anotación por expertos, a la vez que agudiza las preocupaciones de fidelidad anteriores. Las señales del modelo del estudiantado también fundamentan el razonamiento de los LLM: Reddig, Arora y MacLellan (2025) encontraron que dar a GPT-4 la estimación bayesiana de la habilidad de un estudiante procedente del seguimiento del conocimiento, junto con la estructura de la interfaz del tutor, mejoró marcadamente su diagnóstico de errores (la identificación de errores lógicos subió del 40% al 81% en factorización y a ~87,8% en general), mientras que los problemas de varios pasos y las respuestas con varios errores siguieron siendo los casos más débiles: evidencia de que acoplar un modelo formal del estudiantado a un LLM fortalece, pero no garantiza, una inferencia sólida sobre un estudiante real. CoLearn (He et al., 2026) muestra cómo es una versión persistente de ese acoplamiento: el dominio y las concepciones erróneas extraídas se almacenan por (persona que aprende, materia) y no como registros por sesión, de modo que la evidencia se acumula entre sesiones, y la memoria la escribe una función de observación calificada por un LLM mientras permanece inspeccionable para quien aprende mediante barras de dominio y una etiqueta que nombra qué se propuso sondear con cada pregunta generada. Sus controles explicitan el paso de escritura: con la memoria leída pero ya no actualizada, la proporción de ítems dirigidos a una habilidad genuinamente débil cayó de 0,72 a 0,57, y mantiene intacta la matización de esta página: el dominio almacenado es la creencia del agente sobre quien aprende, no una medición de su conocimiento.

Conexiones con otros conceptos

El modelado del estudiantado y la instrucción adaptativa alimentan la analítica del aprendizaje (paneles e intervenciones), la evaluación formativa (evaluación guiada por analítica) y la retroalimentación (lo que el sistema dice a quien aprende). Se conecta con la IA en la educación como línea central de la IA para la educación.

Conceptos conectados

• Quienes aprenden — Estudiantado: el paraguas de los conceptos del lado de quien aprende
• IA explicable
• Analítica del aprendizaje
• Seguimiento del conocimiento
• Grafo de conocimiento
• Aprendizaje adaptativo
• Tutoría inteligente
• Aprendizaje personalizado
• Evaluación formativa
• K-12
• Tutoría afectiva
• Grandes modelos de lenguaje (LLM)
• Educación superior
• IA en la educación
• Simular estudiantes
• Diagnóstico cognitivo
• Retroalimentación
• Sistemas de recomendación y rutas de aprendizaje

Artículos conectados

• Deceptive Overgeneralization: When Adaptive Learning Enables Systematic Misapplication — Sobregeneralización engañosa: el dominio adaptativo puede detener la práctica antes de que quien aprende sepa cuándo abstenerse de actuar (An, McLaren y Stamper 2026)
• Causal Modelling of Support Interventions for Student Competency Assessment — Causal Modeling of Support Interventions for Student Competency Assessment
• AI Tutoring is Not a Monolith: What We Actually Know — AI Tutoring is Not a Monolith: What We Actually Know (Stanford SCALE/NSSA brief)
• Learning Context: A Unified Framework and Roadmap for Context-Aware AI in Education
• Interactive Online Learning Method for Students Based on Artificial Intelligence
• 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
• Confirming Correct, Missing the Rest: LLM Tutoring Agents Struggle Where Feedback Matters Most — Los tutores con LLM rechazan en exceso alternativas válidas y validan en exceso lo incorrecto (Yasir et al. 2026)
• HAIML: A Human-Centered AI Metacognitive Learning Model — A Framework for Human Agency and Reflective Learning in the Age of Artificial Intelligence
• AI-Guided Learning: Research on Knowledge and Skill Acquisition Support Methods Using Deep Learning Audio-Video Processing Techniques
• Multimodal Item Parameter Estimation using Simulated Response Probabilities
• Analysis and Prediction of At-Risk Students Using Machine Learning Algorithms
• The Correct Answer Trap: Pedagogically-Grounded Detection and Feedback for Hidden Misconceptions
• Cross-Subject Predictive Validity for Learning Outcomes of Delayed Start Behavior
• EduClaw-Bench: A Long-Horizon Benchmark for Pedagogical LLM Agents with Simulated Learners
• EduMirror: Modeling Educational Social Dynamics with Value-driven Multi-agent Simulation
• Interpretable Knowledge Tracing
• MathBuddy: Affective Math Tutoring
• Detecting Knowledge Gaps from Conversational AI Interactions Using Curriculum Prerequisite Graphs
• Cognitive Episodes in LLM Reasoning Traces Enable Interpretable Human Item Difficulty Prediction
• Evidence-Grounded Multimodal Knowledge Graph Construction for Multi-Lecture Educational Reasoning
• ProPRL: Property-Aware Prerequisite Relation Learning in Educational Knowledge Graphs
• Simulating Students' Java Programming Errors with Large Language Models
• Estimating Learners' Skill Acquisition Without Temporal Information
• HiLLM-CD: LLM-Enhanced Hierarchical Cognitive Diagnosis
• Rethinking Higher Education: From Fixed Curricula to Learnity Graphs
• INSIDE the Student's Mind: Jointly Modeling Latent Reasoning and Action in LLM Student Simulators
• Jointly Predicting Courses and Grades Using a Transformer-Based Model (TRACE)
• From Student Risk Prediction to SC2R: Semantics-Constrained Counterfactual Recourse for Educational Decision Support — From Student Risk Prediction to SC2R: Counterfactual Recourse
• TeachLM: Post-Training LLMs for Education Using Authentic Learning Data — TeachLM: fine-tuned authentic student model for multi-turn evaluation
• Automating Learner Assessment: Benchmarking Machine Learning and Deep Learning Models for EEG-Based Familiarity Prediction — Automating Learner Assessment: EEG-Based Familiarity Prediction
• Intelligent tutoring in dynamic domains: a graph-based system for comparative analysis of adaptive algorithms — Graph-Based Intelligent Tutoring for Dynamic Domains (2026)
• CogEvolution: A Human-like Generative Educational Agent to Simulate Student's Cognitive Evolution — CogEvolution: generative agent simulating students' cognitive evolution
• Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — Adaptive ICAP scaffolding in an ITS (BKT vs DRL)
• Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics — Distilling self-explaining LM for learning analytics
• StudentSim: Training LLM-based Student Simulators — StudentSim: Training LLM-based Student Simulators
• Predicting Student Attrition in Competitive Programming: A Large-Scale Study Integrating Survey Insights and Global Behavioral Logs — Predicting Student Attrition in Competitive Programming
• Outcome-based knowledge tracing with affinity mapping and memory augmented outcome impact — Seguimiento del conocimiento basado en resultados con mapeo de afinidad
• How Online Learners Engage in Self-Directed Modeling: A Behavioral Analysis
• Generating In-Context, Personalized Feedback for Intelligent Tutors with Large Language Models
• Capturing Session-to-Session Dynamics of Learning and Forgetting: Testing the Limits of Knowledge Tracing Models
• A Machine Learning Approach for Predicting Student Progress in Online Programming Education
• Beyond ID Embeddings: Process-Grounded Language Modeling for Cognitive Diagnosis — Beyond ID Embeddings: Process-Grounded Language Modeling for Cognitive Diagnosis
• Personalized Exercise Recommendation with Semantically-Grounded Knowledge Tracing — compact learner state plus a calibrated tracer as a recommender environment
• Misconception Acquisition Dynamics in Large Language Models — the Expert Tutor Misconception Model as a computational analogue of knowledge of student misconceptions
• Can LLMs Model Incorrect Student Reasoning? A Case Study on Distractor Generation for Multiple-Choice Questions — modeling incorrect reasoning rather than correctness
• SWIM: Student Writing Simulation via Proficiency-Conditioned Generation — proficiency-conditioned modeling of student writing
• CoLearn: An Agentic Tutor that Learns its Learner in a Human-AI Co-Learning Loop — CoLearn: An Agentic Tutor that Learns its Learner in a Human-AI Co-Learning Loop